改进的量子遗传进化激励的快速数据分类算法

摘要

由于数据的属性越来越复杂,可用于分类的属性越来越多.传统的数据聚类算法对数据聚类初始中心点十分敏感、很难根据数据复杂的属性选定合适的中心,计算过程中由于数据的多属性干扰易陷入计算的局部最优,造成算法执行效率较低.提出了一种改进的量子遗传进化激励的快速聚类算法.算法中,首先利用高密度划分和阈值参数对样本数据集进行初次聚类划分,生成若干聚类集合；然后将样本的聚类过程看成是聚类中心的动态优化过程,克服传统算法中中心点固定不变的弊端,利用改进的量子遗传进化激励算法对每次聚类最优的聚类中心进行搜索；算法引入自适应变异算子对进化算法进行搜索能力进行改进,增强算法的全局搜索能力.实验证明,算法不仅具有较好的聚类精度,而且收敛速度快.