- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于变长染色体量子遗传聚类算法研究.doc
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
文档评论(0)