张睿哲，杨照峰，赵伟艇

（1.平顶山学院计算机科学与技术学院，平顶山467002；2.平顶山学院软件学院，平顶山467002）

一种基于量子进化算法改进的k-mean聚类算法❋

张睿哲1，杨照峰2，赵伟艇2

（1.平顶山学院计算机科学与技术学院，平顶山467002；2.平顶山学院软件学院，平顶山467002）

聚类分析是模式识别中的一个重要问题，是非监督学习的重要方法。K-means算法是其中最经典的聚类算法之一。但是这种方法面对大规模数据的时候工作量非常巨大，并且保证不了聚类结果的最优性。提出了一种基于量子进化算法的改进的K-means聚类算法。该方法结合了两个方法的优点，用量子进化算法进行优化，并且改进了量子进化算法中的交叉算子和更新算子，提高了基于量子进化算法的K-means算法局部搜索能力。实验结果表明，改进算法取得了较好的效果。

量子进化算法；聚类算法；量子计算；数据挖掘；进化优化

1 引 言

聚类分析是模式识别中的一个重要问题，是非监督学习的重要方法［1］。聚类分析的目标是将一个数据集划分成若干个簇.使同一个簇中的对象尽可能地相似，而不同簇对象间的差异尽可能的大。聚类分析是通过无监督训练将样本按相似性分类［2］。

聚类分析根据基因功能对其进行分类以获得对人群中所固有结构更深入的了解。可以帮助市场人员发现顾客群中存在不同特征的组群［3］。聚类还可以从地球观测数据库中帮助识别具有相似土地使用情况的区域。聚类分析是一种典型的组合优化问题，目前已有很多种聚类算法，主要分为［4］：划分聚类、基于密度的聚类以及基于网格的聚类、层次聚类。……