1、信息科學(xué)與生命科學(xué)的相互交叉、相互滲透和相互促進(jìn)是現(xiàn)代科學(xué)技術(shù)發(fā)展的一個(gè)顯著特點(diǎn)。智能計(jì)算就是兩者結(jié)合而形成的新的交叉學(xué)科。作為群體智能算法(swarm intelligence algorithm)的代表,粒子群算法(particle swarm optimization,PSO)具有概念簡(jiǎn)單、實(shí)現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少等優(yōu)點(diǎn),是一種高效的搜索算法,近年來(lái)受到學(xué)術(shù)界的廣泛重視。
　　近年來(lái),隨著社會(huì)的發(fā)展,實(shí)際問(wèn)題越來(lái)越復(fù)

2、雜,粒子群算法早熟的缺點(diǎn)不斷暴露出來(lái)。而作為20世紀(jì)物理學(xué)最驚心動(dòng)魄的發(fā)現(xiàn)之一,量子力學(xué)與信息學(xué)交叉融合產(chǎn)生的量子計(jì)算具有量子態(tài)的疊加、糾纏以及干涉等性質(zhì),與傳統(tǒng)意義上的計(jì)算有著質(zhì)的不同。
　　本論文在粒子群算法的框架下,結(jié)合量子理論,研究量子粒子群算法(quantum-behaved particle swarm optimization, QPSO)的性能,提出了改進(jìn)的量子粒子群算法,并用優(yōu)化的思想來(lái)解決分類問(wèn)題,提出了基于量

3、子粒子群的最近鄰原型分類算法,并將改進(jìn)的量子粒子群算法結(jié)合分類方法,應(yīng)用于數(shù)據(jù)分類中。
　　本文主要工作如下:
　　1)提出了一種基于多次塌陷一正交交叉的量子粒子群算法。該方法充分利用量子機(jī)制的不確定性,由量子狀態(tài)到經(jīng)典狀態(tài)進(jìn)行多次塌陷,提高種群的多樣性,并對(duì)得到的多個(gè)個(gè)體進(jìn)行有代表性的正交交叉,互相交流,充分利用各個(gè)體所攜帶的有效信息最終搜索到最優(yōu)解。為了驗(yàn)證算法的性能,采用改進(jìn)的算法對(duì)基準(zhǔn)測(cè)試函數(shù)進(jìn)行優(yōu)化,實(shí)驗(yàn)結(jié)果表明,

4、這種方法不但加快了收斂速度而且提高了求解精度,應(yīng)用到較難解決的CEC05復(fù)合函數(shù)上,也能較快地搜索到函數(shù)的最優(yōu)解。
　　2)針對(duì)有監(jiān)督數(shù)據(jù)分類中的最近鄰分類的復(fù)雜性,利用量子系統(tǒng)的不確定性,在已有的量子粒子群算法的基礎(chǔ)上,提出了一種基于原型的量子粒子群一最近鄰分類方法。該方法在編碼時(shí)采用一個(gè)粒子包含多個(gè)原型并且每個(gè)原型均對(duì)應(yīng)一個(gè)類標(biāo),采用量子粒子群優(yōu)化算法選出有效原型之后只需計(jì)算測(cè)試數(shù)據(jù)到原型的距離而不是測(cè)試數(shù)據(jù)到訓(xùn)練數(shù)據(jù)的距離,

5、較大程度上降低了計(jì)算復(fù)雜度。對(duì)比實(shí)驗(yàn)表明,該算法在分類效果和速度上較已有的算法都有較大的提高。
　　3)針對(duì)量子塌陷的隨機(jī)性,利用了多次塌陷并對(duì)獲得的粒子進(jìn)行正交交叉相互學(xué)習(xí)來(lái)尋優(yōu),提出一種基于多次塌陷-正交交叉量子粒子群最近鄰原型分類算法。該方法借鑒了前面將量子粒子群分類算法應(yīng)用到數(shù)據(jù)分類問(wèn)題的成功經(jīng)驗(yàn),進(jìn)一步充分利用量子的不確定性嘗試來(lái)獲得有效原型,從而提高后續(xù)的分類效果。通過(guò)對(duì)比實(shí)驗(yàn),該算法在分類質(zhì)量和效率上均有所提高。