摘要：聚类问题中的离群点容易影响簇中心的选择,且样本数据量规模的扩大会造成样本点间的距离计算需要消耗大量计算资源.为了解决上述问题,从簇中心选取和最短距离搜索2个方面出发,提出了一种针对聚类问题的新型量子主成分分析算法.利用阈值更新奇异值并得到主成分,再通过势函数得到簇中心,从而减少异常值对簇中心选取的影响.此外,采用量子最小值搜索算法寻找距离样本点最近的簇中心,减少聚类所需迭代次数.以小规模数据集为例,采用Cirq量子编程框架对算法进行电路设计和仿真实验.实验结果表明,该算法与已有的量子聚类算法相比,在聚类准确度上有所提升.性能分析表明,与现有经典和量子算法比较,该算法在簇中心选取和最短距离搜索时间复杂度上有不同程度的改进,消耗资源有所降低.

摘要：为解决蝙蝠算法在较高精度要求下收敛速度慢且易于陷入局部最优等缺陷问题,在蝙蝠算法框架基础上,利用具有良好随机性的Lévy飞行来增强算法的全局搜索能力,结合单纯形法提高算法在局部开采时的性能,提出一种异构的蝙蝠算法。对聚类问题进行解的映射表示并且进行仿真实验。实验数据表明,该算法求解精度高、收敛速度快,具备有效性和可行性,为解决聚类问题提供了可参考的求解算法。

摘要：混合蛙跳算法(SFLA)是一种基于子群——种群进化模式的群智能优化算法,通过自身特有的分组算子实现不同解的合理分布,能够有效跳出局部最优;局部位置更新算子只对最差解进行更新,加快了算法的收敛速度。针对传统算法在解决聚类问题时存在聚类精度低和算法收敛速度较慢等缺点,本文提出了运用混合蛙跳算法来解决聚类问题,通过采用基于图像二维空间像素特征提取的方法构造青蛙个体解,设计青蛙进化的目标函数和青蛙位置更新策略,并通过数字,图形等验证了该算法解决聚类问题的有效性.

摘要：该文针对聚类问题上缺乏骨架研究成果的现状,分析了聚类问题的近似骨架特征,设计并实现了近似骨架导向的归约聚类算法。该算法的基本思想是:首先利用现有的启发式聚类算法得到同一聚类实例的多个局部最优解,通过对局部最优解求交得到近似骨架,将近似骨架固定得到规模更小的搜索空间,最后在新空间上求解。在26个仿真数据集和3个实际数据集上的实验结果表明,骨架理论对提高聚类质量、降低初始解影响及加快算法收敛速度等方面均十分有效。

摘要：本文对依据一种新颖的识别用户社交圈的方法所建模型进行了实验设计及分析。将朋友之间相互网络联系视为用户个人网络上的点聚类问题,同时结合网络结构和用户资料信息开发了一种检测社交圈的模型,对于每个聚集可分析其成员以及特定用户信息的相似性度量,通过对多重社交圈建立的点关系模型,可以发现重叠和分层嵌套的社交圈。通过真实数据来验证模型的性能,实验结果表明,本文所建模型可以准确识别社交圈中多样化数据的归属集合。