聚类算法在数据分析,数据挖掘等许多地方有广泛的应用,该文探索了基于量子行为的微粒群优化算法(QPSO)的数据聚类及其在图像分割中的应用。首先,在分析K-Means聚类、PSO聚类、K-Means和PSO混合聚类(KPSO)的基础上,提出了基于量子行为的微粒群优化算法(QPSO)的数据聚类,并且研究了使用K-Means聚类的结果重新初始化粒子群,结合QPSO算法聚类,即KQPSO,介绍了如何利用上述的算法去找到用户指定的聚类个数的聚类中心,聚类过程是根据数据之间的Euclidean(欧几里得的)距离,K-Means算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上,使用了三个数据集比较了上面提到的五种聚类方法的性能,结果显示了基于QPSO算法的数据聚类的性能比较优越。其次,研究了基于QPSO的图像颜色分割方法,把图像分割问题看作一个最优化问题并且采用QPSO的进化策略聚类颜色特征空间中的区域,文中给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。在QPSO算法中,收缩-扩张系数对于QPSO中的单个粒子的收敛来说是一个至关重要的参数。在文中使用了适应性机制,对数据聚类使用了适应性的基于量子行为的微粒群优化算法(AQPSO)。最后,该文使用一种新的距离度量方法进行聚类,实验证明了新的度量方法比Euclidean标准更具有健壮性,聚类的结果更精确。在此基础上使用QPSO算法进行数据聚类和图像分割,实验结果证明了QPSO算法优于PSO算法。QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。