量子粒子群算法研究及其數(shù)據(jù)分類.pdf

1、信息科學(xué)與生命科學(xué)的相互交叉、相互滲透和相互促進是現(xiàn)代科學(xué)技術(shù)發(fā)展的一個顯著特點。智能計算就是兩者結(jié)合而形成的新的交叉學(xué)科。作為群體智能算法(swarm intelligence algorithm)的代表,粒子群算法(particle swarm optimization,PSO)具有概念簡單、實現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少等優(yōu)點,是一種高效的搜索算法,近年來受到學(xué)術(shù)界的廣泛重視。
　　近年來,隨著社會的發(fā)展,實際問題越來越復(fù)

2、雜,粒子群算法早熟的缺點不斷暴露出來。而作為20世紀物理學(xué)最驚心動魄的發(fā)現(xiàn)之一,量子力學(xué)與信息學(xué)交叉融合產(chǎn)生的量子計算具有量子態(tài)的疊加、糾纏以及干涉等性質(zhì),與傳統(tǒng)意義上的計算有著質(zhì)的不同。
　　本論文在粒子群算法的框架下,結(jié)合量子理論,研究量子粒子群算法(quantum-behaved particle swarm optimization, QPSO)的性能,提出了改進的量子粒子群算法,并用優(yōu)化的思想來解決分類問題,提出了基于量

3、子粒子群的最近鄰原型分類算法,并將改進的量子粒子群算法結(jié)合分類方法,應(yīng)用于數(shù)據(jù)分類中。
　　本文主要工作如下:
　　1)提出了一種基于多次塌陷一正交交叉的量子粒子群算法。該方法充分利用量子機制的不確定性,由量子狀態(tài)到經(jīng)典狀態(tài)進行多次塌陷,提高種群的多樣性,并對得到的多個個體進行有代表性的正交交叉,互相交流,充分利用各個體所攜帶的有效信息最終搜索到最優(yōu)解。為了驗證算法的性能,采用改進的算法對基準測試函數(shù)進行優(yōu)化,實驗結(jié)果表明,

4、這種方法不但加快了收斂速度而且提高了求解精度,應(yīng)用到較難解決的CEC05復(fù)合函數(shù)上,也能較快地搜索到函數(shù)的最優(yōu)解。
　　2)針對有監(jiān)督數(shù)據(jù)分類中的最近鄰分類的復(fù)雜性,利用量子系統(tǒng)的不確定性,在已有的量子粒子群算法的基礎(chǔ)上,提出了一種基于原型的量子粒子群一最近鄰分類方法。該方法在編碼時采用一個粒子包含多個原型并且每個原型均對應(yīng)一個類標,采用量子粒子群優(yōu)化算法選出有效原型之后只需計算測試數(shù)據(jù)到原型的距離而不是測試數(shù)據(jù)到訓(xùn)練數(shù)據(jù)的距離,

5、較大程度上降低了計算復(fù)雜度。對比實驗表明,該算法在分類效果和速度上較已有的算法都有較大的提高。
　　3)針對量子塌陷的隨機性,利用了多次塌陷并對獲得的粒子進行正交交叉相互學(xué)習(xí)來尋優(yōu),提出一種基于多次塌陷-正交交叉量子粒子群最近鄰原型分類算法。該方法借鑒了前面將量子粒子群分類算法應(yīng)用到數(shù)據(jù)分類問題的成功經(jīng)驗,進一步充分利用量子的不確定性嘗試來獲得有效原型,從而提高后續(xù)的分類效果。通過對比實驗,該算法在分類質(zhì)量和效率上均有所提高。