近邻传播聚类算法(Affinity Propagation,AP)是近年出现的无监督聚类算法,但实际应用中存在两点不足:(1)AP算法默认将所有的数据样本点均看作是候选的聚类中心点,并通过偏向参数取相同的值描述各数据样本成为聚类中心的概率相同,因未能区分各数据样本成为聚类中心的差别,因而算法迭代次数过多,聚类计算效率低。(2)AP算法在面对团簇类的数据集时聚类效果比较好,但对样本密度分布稀疏度不均匀的数据样本区分能力较弱,聚类结果较差。针对AP算法以上两点不足,本文提出一种局部密度优化的量子AP聚类算法,主要研究工作如下。1.针对前述的问题(1),用量子进化算法优化AP算法的偏向参数,通过量子搜索发现各数据样本成为聚类中心的概率,从而实现在偏向参数中加入聚类中心的启发式先验知识。首先用量子叠加态编码偏向参数,再用量子旋转门搜索量子叠加态,找出近忧的偏向参数供AP算法聚类,达到自适应优化AP偏向参数的目的。针对AP算法对结构不规整数据辨识度不高的问题,使用高斯核函数代替欧式距离作为相似度的度量方式,将数据从低维空间映射到高维空间,提高算法对复杂数据的辨识能力。2.针对前述的问题(2),引入局部密度优化策略对稀疏度较大的数据点进行标记,在聚类结束之后依照密度关系对其进行重新划分,达到区分数据样本分布密度的目的。最后在UCI数据集上验证所提算法,实验结果表明:本文算法的聚类精度和聚类效率上均优于相比较的同类算法,改进AP算法的思路是可行的。