微阵列基因表达数据双聚类的多目标进化计算技术研究

微阵列基因表达数据双聚类的多目标进化计算技术研究

ID:36357336

大小:6.23 MB

页数:128页

时间:2019-05-10

微阵列基因表达数据双聚类的多目标进化计算技术研究_第1页
微阵列基因表达数据双聚类的多目标进化计算技术研究_第2页
微阵列基因表达数据双聚类的多目标进化计算技术研究_第3页
微阵列基因表达数据双聚类的多目标进化计算技术研究_第4页
微阵列基因表达数据双聚类的多目标进化计算技术研究_第5页
资源描述:

《微阵列基因表达数据双聚类的多目标进化计算技术研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、国防科学技术大学博士学位论文微阵列基因表达数据双聚类的多目标进化计算技术研究姓名:刘军万申请学位级别:博士专业:计算机科学与技术指导教师:李舟军20090501国防科学技术大学研究生院博士学位论文Multi.objectiveParticleSwarmOptimizationBiclustering,CMOPSOB),其多样性、收敛性和算法时间复杂度优于多目标进化双聚类算法。最近的研究工作表明,利用人工免疫系统求解多目标优化问题,可改进搜索能力和适用性,大大地提高了收敛速度,改进最优解的多样性。论文对当前人

2、工免疫算法及多目标免疫优化算法进行分析后,基于人工免疫系统的免疫响应原理,扩展解的支配关系和拥挤更新机制,提出了多目标免疫优化双聚类(Multi-ObjectiveImmuneOptimizationBiclustering,MOIOB)算法,实验表明算法能有效地找到更多有意义的双聚类。蚁群优化算法仿真觅食蚂蚁的生物学行为,在包括多目标优化在内的许多领域成为一个非常有效的问题求解策略。多目标蚁群优化主要求解多目标的组合优化问题,双聚类问题是典型的组合优化问题,因此本文整合局部搜索策略,提出了一个新的多目标蚁

3、群优化双聚类算法(Multi.ObjectiveAntColonyOptimizationBiclustering,MOACOB)求解微阵列数据集的具有重大生物意义的最大双聚类。为进一步保持最优解的多样性,本文组合拥挤群体更新策略到基于群体的多目标蚁群优化双聚类算法中,提出基于拥挤计算的多目标蚁群优化双聚类(CrowdingcomputationbasedMOACOBiclustering,CMOACOB)算法来发现一个或者多个具有重大生物意义的最大的双聚类,并在两个基因表达数据集进行实验分析。总体而言,本

4、文对于多目标进化双聚类进行了深入研究,针对微阵列数据提出了几个双聚类算法,对于推进高维数据中的多维聚类研究具有一定的理论意义和实用价值。主题词:微阵列数据,双聚类,多目标进化计算,粒子群优化,蚁群优化第ii页国防科学技术大学研究生院博士学位论文AbstractMicroarraytechniquescallmeasuretheexpressionlevelsofthousandsofgenessimultaneously.Thosemicroarraydataprovidemassiveamountofin

5、formation,whichisleadingtothedevelopmentofsophisticatedalgorithmscapableofextractingnovelandusefulpatternsfromabiomedicalpointofview.Biclusteringapproachisaverynsefultechniqueofdatamillingfrommicroarraydata,andshowstrongadvantageinmanyapplications.ⅥⅦlemini

6、ngbiclusteringfrommicroarraydata,manyobjectivesconflictingwitheachotherneedbeoptimizedsimultaneously,whichMulti-Objectiveoptimization(MOO)isbeingtheverygoodapproachofsolvingbiclustering.EvolutionaryComputation(EC)iSafieldofresearchdedicatedtothestudyofalgo

7、rithmswhichmaintainsomeformofsolutionmemorywhichisusedtobiasfuturesolutioncreation.SomecommonexamplesofalgorithmsfittingintothisbroaddefinitionofECcontainGeneticAlgorithms(GA),GeneticProgramming(GP),EvolutionaryStrategies(ES),DifferentialEvolution(DE),Simu

8、latedAnnealing(SA),ParticleSwarmOptimization(PSO),ArtificialImmuneOptimization(灿O),andAntColonyOptimization(ACO).EC,asageneralalgorithmmethodology,mainlyfocusesonthediversityofsolutionswhichiSveryimportanttoM

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。