基于量子计算和拉马克学习的免疫聚类与分类

针对进化计算中收敛速度慢和局部搜索能力差的两个瓶颈问题，该课题在免疫计算中引入量子并行机制以及拉马克局部搜索机制， 建立基于量子拉马克学习的免疫计算新模型，分析并解决新模型求解数据挖掘中大规模数据聚类与分类问题的关键技术，包括抗体的量子编码策略，拉马克局部学习算子设计，模型自适应调整策略以及收敛准则等。并用国内外通用的测试问题和具有重大应用背景的SAR图象目标分类来验证算法的有效性。