基于流形距离的量子进化聚类算法

李阳阳; 石洪竺; 焦李成; 马文萍

您当前的位置：

首页 >

文章列表页 >

基于流形距离的量子进化聚类算法

学术论文 | 更新时间：2025-07-16

- 基于流形距离的量子进化聚类算法
- Quantum-Inspired Evolutionary Clustering Algorithm Based on Manifold Distance
- 电子学报 2011年39卷第10期页码：2343-2347
- 作者机构：
  
  西安电子科技大学智能感知与图像理解教育部重点实验室,陕西,西安,710071
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.60803098,No.61001202,No.61003199);陕西省"13115"科技创新工程重大科技专项项目 (No.2008ZDKG-37);高等学校学科创新引智计划 (111计划) (No.B07048);中国博士后科学基金特别资助 (No.200801426,No.201104618);中国博士后科学基金 (No.20080431228,No.20090451369,No.20090461283);陕西省自然科学基金 (No.2009JQ8015,No.2010JM8030,No.2010JQ8023);中央高校基本科研业务费专项资金 (No.JY10000902039,No.JY10000902040,No.JY10000903007,No.K50510020011)
- DOI：
  中图分类号： TP391.4
- 纸质出版：2011
- 稿件说明：
移动端阅览
李阳阳, 石洪竺, 焦李成, 等. 基于流形距离的量子进化聚类算法[J]. 电子学报, 2011,39(10):2343-2347.

LI Yang-yang, SHI Hong-zhu, JIAO Li-cheng, et al. Quantum-Inspired Evolutionary Clustering Algorithm Based on Manifold Distance[J]. Acta Electronica Sinica, 2011, 39(10): 2343-2347.
李阳阳, 石洪竺, 焦李成, 等. 基于流形距离的量子进化聚类算法[J]. 电子学报, 2011,39(10):2343-2347. DOI：

LI Yang-yang, SHI Hong-zhu, JIAO Li-cheng, et al. Quantum-Inspired Evolutionary Clustering Algorithm Based on Manifold Distance[J]. Acta Electronica Sinica, 2011, 39(10): 2343-2347. DOI：

摘要

基于量子计算的机理和特性

并结合进化计算

本文提出了一种新颖的量子进化聚类算法(QEAM)

在该聚类算法中引入了一种新的距离测度函数——流形距离.新方法将聚类归属为优化问题

通过运用量子进化的机理更快地搜索到最优聚类中心

从而得到最优隶属度矩阵划分;同时

通过基于流形距离的相似性度量

有效利用样本所具有的全局一致性信息

充分挖掘样本的空间分布信息

对样本进行正确的类别划分.将本文算法(QEAM)与基于流形距离的免疫进化算法(IEAM)

遗传聚类算法(GAC)以及模糊C-均值算法(FCM)进行了性能比较

对6个人工数据集和3个UCI数据集的仿真实验结果显示

QEAM对样本空间分布复杂的聚类问题具有较高的准确率和较好的鲁棒性.

Abstract

Based on the concepts and principles of quantum computing

a novel quantum-inspired evolutionary algorithm for data clustering (QEAM) is proposed in this paper by using a novel distance measurement index called manifold distance which can measure the geodesic distance along with the manifold.The clustering problem is viewed as an optimization problem.Our main motives of using QEAM consist in searching for appropriate cluster center by using the principles of quantum evolutionary computation

so that a similarity metric of clusters are optimized more quickly and effectively.The experimental results on six artificial datasets and three UCI datasets show the superiority of QEAM over an immune evolutionary clustering algorithm with manifold distance (IEAM)

a genetic algorithm for clustering (GAC) and fuzzy c-means algorithm (FCM).

关键词

Keywords

references

浏览量

1651

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进量子旋转门的量子进化数据聚类

基于矩阵初等变换的四量子比特可逆电路综合算法

一种解决组合优化问题的改进型量子遗传算法

基于集群的增量分布式RSOM聚类方法

多传感器多目标无源定位跟踪算法研究