粒子對與和聲搜索混合算法在基因聚類的應(yīng)用研究.pdf

1、隨著生命科學研究的不斷深入，人類對于生命起源，物種進化等領(lǐng)域的探索受到越來越多學者的關(guān)注。面對繁緒復(fù)雜的數(shù)據(jù)分析，統(tǒng)計和運算，使得集成生物科學，數(shù)學計算，計算機科學，化學分析研究等領(lǐng)域于一體的生物信息學應(yīng)運而生。這也標志著人類基因組計劃已步入后基因組時代。在后基因組時代，關(guān)于基因組研究的重點也由基因組測序轉(zhuǎn)變?yōu)?確定生物體中每條基因在生命過程中所起到的功能，以及不同基因之間相互協(xié)調(diào)和相互引導(dǎo)的關(guān)系上。由于研究重點的轉(zhuǎn)變，傳統(tǒng)的實驗技術(shù)和

2、實驗方法對于海量基因組序列數(shù)據(jù)的處理顯得越來越乏力。隨著人工智能的迅猛發(fā)展和生命科學的興旺，人們迫切需要尋求更為高效便捷的基因表達處理方法。而要揭示生命科學的本源，就要對海量基因組進行精確測序和統(tǒng)計分析，微陣列技術(shù)在這種研究背景下應(yīng)運而生。
　　微陣列(microarray)技術(shù)，常被稱為芯片技術(shù)，是由“人類基因組計劃”的發(fā)展而興起的一項新技術(shù)，廣泛應(yīng)用于基因序列分析、基因突變檢測和多態(tài)性分析以及疾病的基因診斷等諸多領(lǐng)域。聚類分析

3、是微陣列數(shù)據(jù)分析中廣泛使用的方法之一，具有較高的研究價值。原有的聚類算法雖然順利的攻克了低維，數(shù)據(jù)量小的聚類難關(guān)。但由于規(guī)模和交互程度的不斷擴張，以及分析探索的不斷深入，現(xiàn)有的算法通常不能取得理想的聚類效果，也很難滿足人們對于數(shù)據(jù)分析效率和準確性的要求。隨著人們對算法效率的要求不斷攀升，群智能算法的興起(如遺傳算法、粒子群優(yōu)化算法(PSO)、粒子對算法、免疫算法、人工蜂群算法等）為數(shù)據(jù)分析提供了新方向。群智能算法具有模擬生物群體進化學習

4、的特性，在解決復(fù)雜優(yōu)化問題方面顯示出了其獨有的優(yōu)勢，已在社會科學、自然科學、經(jīng)濟管理學、醫(yī)學、生物學、計算機等眾多領(lǐng)域得到了成功的應(yīng)用。
　　基因表達數(shù)據(jù)聚類算法的研究還處在不斷研究和探索中，作為目前比較新穎的基因聚類算法—粒子對算法(PPO)，具有群體規(guī)模小，便于協(xié)調(diào)粒子之間的位置關(guān)系，能獲得較好的聚類效果等優(yōu)勢，是目前廣泛使用且效果較好的基因聚類算法之一。但同樣PPO算法也存在著過早陷入局部最優(yōu)、全局搜索能力不強等缺點，針對P

5、PO算法的這些不足，本文建議了一種新的基于PPO優(yōu)化算法與和聲算法(HS)的混合算法(DPPO-HS)。在算法初代形成精英粒子對的迭代過程中，引入PSO算法對其中一個精英粒子進行一次快速初始化，而另外一個精英粒子則沿用標準PPO聚類算法進行初始化，通過將兩個不同初始化的粒子組成精英粒子對，增強了精英粒子對間的交流學習能力，在一定程度上改善了精英粒子對的解質(zhì)量和搜優(yōu)能力?；旌纤惴ㄔ讷@得精英粒子對后，針對PPO算法易陷入局部最優(yōu)解的不足，在

6、第二階段的迭代過程中，嘗試引入以信息熵動態(tài)調(diào)整HS算法微調(diào)概率的和聲優(yōu)化算法，提高混合算法的全局搜索能力和跳出局部最優(yōu)區(qū)域的能力。在此思路的基礎(chǔ)上，通過四組不同的國際通用標準基因表達數(shù)據(jù)集，以MSE均方差函數(shù)，D1類內(nèi)緊致度，D2類間分離度為檢測指標，將本文的混合算法DPPO-HS與當前較為流行K-Means算法，標準PPO粒子對聚類算法，DPPO算法，以及聚類效果較好的PPO-DE混合算法做了詳盡的實驗對比分析，將五種算法通過四組不同