本申請涉及量子學，特別涉及一種改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法。

背景技術(shù)：

1、聚類是將數(shù)據(jù)樣本(或數(shù)據(jù)點)分成由相似樣本組成的簇，同時最大限度地提高簇內(nèi)樣本間的相似性和簇間的差異。聚類屬于機器學習中的無監(jiān)督學習，廣泛應(yīng)用于圖像檢索、數(shù)據(jù)挖掘、客戶分類、對象識別和數(shù)據(jù)分析等領(lǐng)域。聚類算法可分為基于分區(qū)的、基于分層的方法和基于網(wǎng)格的、基于密度的方法。k-means是目前主要的分區(qū)聚類方法，因其計算簡單而廣受歡迎。然而，k-means對初始聚類中心敏感，導致聚類效果不穩(wěn)定，準確率低，這是該算法的缺點。

2、目前對k-means的優(yōu)化大都采用傳統(tǒng)的群智能算法，例如人工蜂群算法、粒子群優(yōu)化算法和蟻獅優(yōu)化算法等，但這些傳統(tǒng)的群智能算法仍存在搜索效率低、準確率不高、易陷入局部最優(yōu)等問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，以解決k-means對初始聚類中心敏感的缺點，能夠有效增強在聚類時的穩(wěn)定性、準確率和收斂速度。

2、為了實現(xiàn)上述發(fā)明的目的，采用如下技術(shù)方案：

3、一種改進的量子人工蜂群算法優(yōu)化k-means聚類問題，包括如下步驟：

4、s1、初始化改進的量子人工蜂群算法和k-means算法的參數(shù)；

5、s2、基于量子編碼生成蜜源種群；

6、s3、對初始種群進行解空間變換并計算適應(yīng)度值；

7、s4、雇傭蜂尋解階段；

8、s5、觀察蜂依概率選擇雇傭蜂進一步尋解；

9、s6、偵查蜂生成新蜜源階段；

10、s7、使種群線性減少，當達到改進的量子人工蜂群算法的最大迭代次數(shù)后跳出迭代，得到的優(yōu)化結(jié)果作為k-means的初始聚類中心；

11、s8、執(zhí)行k-means，將數(shù)據(jù)劃分到簇中，并更新每個簇中的聚類中心；

12、s9、達到k-means的終止條件，輸出最終聚類結(jié)果。

13、綜上所述，本發(fā)明提供了一種改進的量子人工蜂群算法優(yōu)化k-means聚類問題，克服了k-means對初始聚類中心敏感的缺點。通過引入兩種自適應(yīng)旋轉(zhuǎn)角的量子旋轉(zhuǎn)門引導種群向更好的解決方案進化。通過引入的基于對稱函數(shù)和levy飛行的兩種移動開發(fā)策略提高了算法的挖掘能力。為了進一步提高新解質(zhì)量，在偵查蜂階段段動態(tài)調(diào)整了尋解方式。同時，通過引入線性種群減少策略，提高了種群空間的質(zhì)量，減少了算力資源。實驗結(jié)果表明在聚類問題中這些方法的使用有效提高了聚類時的效果。

技術(shù)特征：

1.一種改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s1中，設(shè)置改進的量子人工蜂群算法的最大迭代次數(shù)tmax，迭代次數(shù)t＝1，蜜源數(shù)量n，雇傭蜂數(shù)量p1，觀察蜂數(shù)量p2，偵查蜂數(shù)量p3，蜜源停止更新限制次數(shù)l，輸入數(shù)據(jù)集d，k-means算法的最大迭代次數(shù)maxcycle，聚類個數(shù)k。

3.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s2中，一個量子比特的狀態(tài)為：

4.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s3中，假設(shè)定義問題的解空間為ω＝[xmin,xmax]，解空間的轉(zhuǎn)換公式為：

5.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s4中，雇傭蜂使用一種基于迭代次數(shù)的自適應(yīng)旋轉(zhuǎn)角的量子旋轉(zhuǎn)門搜索新的蜜源，自適應(yīng)旋轉(zhuǎn)角的表達式為：

6.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s5中，具體包含以下步驟：

7.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s6中，具體包含以下步驟：

8.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s7中，具體包含以下步驟：

9.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s8中，根據(jù)相似性將所有數(shù)據(jù)依次劃分到與之相似性最大的某個簇中，相似性用歐式距離衡量，表達式為：

10.如權(quán)利要求1所述的改進的量子人工蜂群算法優(yōu)化k-means聚類問題方法，其特征在于，所述步驟s9中，比較更新前后的聚類中心，若目標函數(shù)收斂或者更新次數(shù)達到設(shè)定最大迭代次數(shù)maxcycle，則輸出聚類結(jié)果；否則，轉(zhuǎn)向步驟s8。

技術(shù)總結(jié)
本申請涉及量子學技術(shù)領(lǐng)域，特別涉及一種改進的量子人工蜂群算法優(yōu)化K?means聚類問題方法，包括：S1、初始化改進的量子人工蜂群算法和K?means算法的參數(shù)；S2、基于量子編碼生成蜜源種群；S3、對初始種群進行解空間變換并計算適應(yīng)度值；S4、雇傭蜂尋解階段；S5、觀察蜂依概率選擇雇傭蜂進一步尋解；S6、偵查蜂生成新蜜源階段；S7、使種群線性減少，當達到改進的量子人工蜂群算法的最大迭代次數(shù)后跳出迭代，得到的優(yōu)化結(jié)果作為K?means的初始聚類中心；S8、執(zhí)行K?means，將數(shù)據(jù)劃分到簇中，并更新每個簇中的聚類中心；S9、達到K?means的終止條件，輸出最終聚類結(jié)果。本發(fā)明通過改進的量子人工蜂群算法克服了K?means對初始聚類中心敏感的缺點，提高了聚類效果。

技術(shù)研發(fā)人員：徐剛,王樂鋒,陳秀波,李宗鵬,黃雨薇,張可佳,陳玉玲
受保護的技術(shù)使用者：北方工業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6