计算机研究与发展

作者：刘文杰,王博思,陈君琇,

关键词：量子机器学习, 聚类问题, 量子主成分分析, 量子最小值搜索算法, 奇异值分解,

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.

来源：2022年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2022年第12期