基于智能優(yōu)化計(jì)算的雙聚類算法研究.pdf

1、在數(shù)據(jù)挖掘分析中，聚類技術(shù)是一種特別重要的工具，通過該技術(shù)，可以將數(shù)據(jù)集分成一些簇或類，使得這些類符合給定的指標(biāo)，通過分出的類來了解數(shù)據(jù)的分布結(jié)構(gòu)，進(jìn)而對(duì)生產(chǎn)生活做出指導(dǎo)。隨著技術(shù)的不斷發(fā)展，數(shù)據(jù)不斷積累，人們對(duì)數(shù)據(jù)的分析技術(shù)也不斷提高，產(chǎn)生了大量對(duì)這些數(shù)據(jù)進(jìn)行分析的聚類技術(shù)。在生物基因?qū)W研究方面，隨著微陣列技術(shù)的快速發(fā)展，獲取到的基因表達(dá)數(shù)據(jù)的維度也逐漸增大，這里所指的維度是指基因表達(dá)數(shù)據(jù)的行數(shù)和列數(shù)，由于這些數(shù)據(jù)的稀疏性以及高維性，

2、再使用老方法進(jìn)行分析，會(huì)遇到巨大挑戰(zhàn)。雙聚類技術(shù)是近年來興起的一門新技術(shù)，該技術(shù)是一種二維聚類技術(shù)，它分別對(duì)二維矩陣的行和列同時(shí)進(jìn)行聚類，對(duì)矩陣局部進(jìn)行搜索，旨在發(fā)現(xiàn)高維數(shù)據(jù)的局部模式。通過雙聚類技術(shù)發(fā)現(xiàn)的簇是行子集和列子集的組合，是二維數(shù)據(jù)矩陣的一個(gè)子矩陣，簇中包含的基因在所包含的條件集合下呈現(xiàn)高度的相關(guān)性。本論文所做的工作如下：
　　1.對(duì)傳統(tǒng)聚類技術(shù)的特點(diǎn)以及雙聚類技術(shù)的常用的搜索策略進(jìn)行了總結(jié)。在論文中，首先討論了傳統(tǒng)聚類

3、算法的特點(diǎn)，并對(duì)傳統(tǒng)方法進(jìn)行了歸類介紹，對(duì)個(gè)別經(jīng)典的算法進(jìn)行了較為詳細(xì)的分析。在歷史中，那些經(jīng)典算法曾經(jīng)對(duì)數(shù)據(jù)挖掘發(fā)揮了重要作用，但隨著數(shù)據(jù)維度增高，一些新的問題不斷出現(xiàn)，傳統(tǒng)算法出現(xiàn)了嚴(yán)重的不足。雙聚類克服了傳統(tǒng)算法在高維數(shù)據(jù)分析中的不足，能夠?qū)Ω呔S數(shù)據(jù)進(jìn)行有效分析。論文詳細(xì)介紹了雙聚類技術(shù)常用的幾種搜索策略和幾種經(jīng)典的雙聚類技術(shù)，并分析了各自的優(yōu)缺點(diǎn)。群體智能優(yōu)化算法是一種基于隨機(jī)搜索策略的進(jìn)化搜索技術(shù)，論文分析了群體智能優(yōu)化在基因

4、表達(dá)數(shù)據(jù)分析中應(yīng)用的可能性，并介紹了常用到的一些智能優(yōu)化算法。
　　2.本文研究了粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用，并以二進(jìn)制版PSO作為基本框架，提出了一種基于模式驅(qū)動(dòng)搜索的二進(jìn)制PSO算法。粒子群優(yōu)化是一種基于進(jìn)化搜索策略的群體智能優(yōu)化算法，該算法編程實(shí)現(xiàn)的時(shí)候比較簡(jiǎn)單，不需要一定的數(shù)學(xué)背景知識(shí)，但是基于進(jìn)化搜索策略的算法在搜索效率上并不占優(yōu)勢(shì)，需要引入

5、其他算子提高算法的局部搜索能力。模式驅(qū)動(dòng)算子是一種利用基因表達(dá)數(shù)據(jù)自身軌跡信息進(jìn)行搜索的算法，該算子的引用，改善了PSO算法的局部搜索能力，縮小了搜索空間，改善了算法的性能。
　　3.本文改進(jìn)了Mitra等提出的多目標(biāo)雙聚類算法，提出了一種新的多目標(biāo)優(yōu)化雙聚類算法，該算法以NSGA- II為框架，對(duì)Cheng和Church的貪婪搜索算法和模式驅(qū)動(dòng)算法進(jìn)行了整合，以改善算法的性能。對(duì)基因表達(dá)數(shù)據(jù)進(jìn)行分析時(shí)，常要考慮多個(gè)優(yōu)化目標(biāo)，而這

6、些目標(biāo)通常又是相互排斥的，在一個(gè)目標(biāo)變好的同時(shí)，又會(huì)至少有一個(gè)目標(biāo)變差，對(duì)于這種情況，比較適合使用多目標(biāo)優(yōu)化來進(jìn)行求解，而NSGA-II是一種廣泛應(yīng)用的多目標(biāo)算法。實(shí)驗(yàn)表明，在有限次數(shù)迭代下，本文所提出的算法能夠取得分布較為均勻的Pareto前沿，且算法最終搜索到的雙聚類的質(zhì)量也比原算法要好。
　　4.本文得到如下基金資助：教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃：（NCET-12-0920）；陜西省科技新星計(jì)劃：（No.2014KJXX-4