基于变长染色体量子遗传聚类算法研究.docVIP

基于变长染色体的量子遗传聚类算法研究 【摘要】：量子遗传算法是量子计算理论与遗传算法相结合的产物，是上世纪90年代后期发展起来的一个研究领域。量子遗传算法具有收敛速度快、全局搜索能力强等优点，在处理优化问题方面具有很强的优势。数据挖掘是随着数据库技术的不断发展而形成的一门新学科。通过数据挖掘能从海量数据中发现有用数据，具有很强的实用性。聚类分析是数据挖掘中非常重要的分支，作为一种无监督的模式识别技术被广泛应用于各个行业。K-均值聚类是聚类分析方法中的一种，具有算法简洁、收敛速度快等优点。但传统的K-均值算法具有对初始值敏感、容易陷入局部最小值等缺点，且聚类中心数目k需人为经验确定，导致分类结果不一定最优。本文在前人的研究成果基础上，提出一种基于变长染色体的量子遗传聚类算法。首先，对初始种群做出了改进。种群中染色体长度不再是定值，而是在某一范围内取值。这些长度变化的染色体组成聚类中心的集合。这样就避免了k值人为经验确定而带来的问题。其次，设计了变长操作函数。在进化过程中，各聚类中心以最优聚类中心为目标进行量子旋转门操作，同时调整其染色体长度，以实现聚类数目的变化。算法采用Matlab进行编程实现，在不同数据集上进行多次实验，并与量子遗传聚类算法及k-均值算法进行比较，实验结果显示本文算法有更好的聚类结果。最后将算法应用到银行客户聚类上，并针对聚类结果提出了不同的营销策略，证实了算法的实用性。【关键词】：量子遗传算法K-均值聚类量子遗传聚类变长染色体 【学位授予单位】：山西财经大学 【学位级别】：硕士 【学位授予年份】：2013 【分类号】：TP311.13;TP18 【目录】：摘要6-7Abstract7-101绪论10-141.1量子遗传算法研究背景及现状10-121.2聚类分析研究背景及现状12-131.3本文主要工作和组织结构13-142聚类分析14-222.1聚类分析及应用142.2数据挖掘对聚类算法的要求14-152.3聚类分析中的数据类型152.4聚类分析中的相似度度量方法15-182.4.1区间标度变量15-162.4.2二元变量16-172.4.3分类、序数和比例标度变量17-182.5主要聚类方法的分类18-192.6k-means算法19-212.6.1k-means算法原理19-212.6.2k-means算法优缺点分析212.7本章小结21-223量子遗传算法22-303.1量子计算22-243.1.1量子比特22-233.1.2量子逻辑门23-243.2遗传算法24-253.3量子遗传算法25-293.3.1量子比特编码263.3.2量子旋转门26-283.3.3量子交叉与变异283.3.4量子遗传算法流程28-293.4本章小结29-304变长染色体量子遗传聚类算法30-404.1量子遗传聚类算法30-324.2变长染色体量子遗传聚类算法32-364.2.1算法流程324.2.2算法实现32-364.3实验设计及结果分析：36-394.3.1实验工具374.3.2实验数据37-384.3.3实验结果38-394.4本章小结:39-405变长量子遗传算法在银行业的应用40-455.1当前我国银行业背景405.2聚类分析方法对银行的意义40-415.3银行客户数据聚类分析41-435.4应用设计43-445.5本章小结44-456结论与展望45-466.1结论456.2展望45-46参考文献46-50致谢50-51攻读硕士学位期间发表的论文51-52