基于QPSO的高效数据聚类算法及其性能比较

该篇论文主要探讨了在传统的数据聚类方法如K-means、PSO聚类以及它们的混合形式KPSO基础上，引入量子行为的微粒群优化算法（QPSO）进行数据聚类的创新研究。作者龙海侠、须文波和孙俊针对K-means算法中聚类中心向量的“进化”问题，提出了将K-means聚类结果用于重新初始化QPSO粒子群的新策略，形成了KQPSO算法。这一方法旨在利用QPSO的优势，寻找用户指定的聚类个数的最优聚类中心，聚类过程中依赖于数据之间的欧几里得距离。 QPSO算法相较于K-means和PSO，其独特的量子行为模拟使得它在搜索空间中更高效地探索可能的解决方案。论文重点介绍如何通过这些算法实现聚类过程，特别是如何确保找到满足用户需求的聚类结构。对比实验部分，作者选取了三个不同的数据集对K-means、PSO、KPSO、QPSO以及KQPSO这五种聚类方法进行了性能评估。结果表明，基于QPSO的数据聚类方法在性能上优于常规的PSO算法，显示出其在复杂数据集上的潜在优势。 这篇论文不仅提供了理论分析，还提供了实际应用中的实践案例，对于理解和改进现有的聚类算法，尤其是在处理大数据和高维数据时，具有重要的参考价值。此外，由于得到了国家自然科学基金项目的资助，这表明了该研究方法在学术界和工业界都受到了认可。整体而言，该研究深化了对数据聚类算法的理解，并为提高聚类效果提供了新的视角和可能的技术路径。