数据驱动下基于量子人工蜂群的K均值聚类算法优化 |
| |
引用本文: | 周湘贞,李帅,隋栋.数据驱动下基于量子人工蜂群的K均值聚类算法优化[J].南京理工大学学报(自然科学版),2023(2):199-206. |
| |
作者姓名: | 周湘贞 李帅 隋栋 |
| |
作者单位: | 1. 郑州升达经贸管理学院信息工程学院;2. 北京航空航天大学计算机学院;3. 北京建筑大学电气与信息工程学院 |
| |
基金项目: | 国家自然科学青年基金(61702026);;河南省2022年度科技厅科技攻关项目(222102210290); |
| |
摘 要: | 该文将量子人工蜂群(Quantum artificial bee colony, QABC)算法用于K均值(K-means)聚类的类别中心点选择,优化K均值聚类算法,可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数,并随机设置若干类别中心,采用人工蜂群(Artificial bee colony, ABC)算法优化类别中心点,根据待聚类样本点构建蜜蜂种群,并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度,并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索,不断搜寻适应度较高个体,并且更新蜜源,直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明,通过合理设置ABC搜索边界,并引入蜂群位置的量子表示,可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法,QABC+K均值算法的聚类性能更优。
|
关 键 词: | K均值聚类 数据驱动 人工蜂群 量子比特 量子人工蜂群 |
|