基于遗传算法及聚类的基因表达数据特征选择

特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象(如基因表达数据)的特征选择,一方面可以提高分类及聚类的精度和效率,另一方面可以找出富含信息的特征子集,如发现与疾病密切相关的重要基因。针对此问题,本文提出了一种新的面向基因表达数据的特征选择方法,在特征子集搜索上采用遗传算法进行随机搜索,在特征子集评价上采用聚类算法及聚类错误率作为学习算法及评价指标。实验结果表明,该算法可有效地找出具有较好可分离性的特征子集,从而实现降维并提高聚类及分类精度。

基于遗传算法和学习向量化网络的基因表达数据的阈值分析

常用的P值法对于非正态分布的基因表达数据的分类效果不理想,且运算量较大。为了对大规模的基因表达数据进行二值化分类,本文提出1种基于遗传算法的学习向量量化神经网络。采用遗传算法优化的自适应最大类间差算法,通过统计类间总体离差,构造阈值判别函数,从而得到较理想的动态分割阈值,进而获得了较为精准的网络训练集。实验结果表明了新方法具有较好的分类效果,能够有效地挖掘出基因表达数据的特征。

基于遗传算法的基因表达数据的K-均值聚类分析

聚类算法在基因表达数据的分析处理过程中得到日益广泛的应用。本文通过把K-均值聚类算法引入到遗传算法中,结合基因微阵列的特点,来讨论一种基于遗传算法的K-均值聚类模型,目的是利用遗传算法的全局性来提高聚类算法找到全局最优的可能性,实验结果证明,该算法可以很好地解决某些基因表达数据的聚类分析问题。

基于基因表达混乱遗传算法的管网优化的新方法

以降低管网造价和运行费用为目标,将基因表达混乱遗传算法引入到供水管网系统的扩建优化设计中,对其在供水管网优化扩建实践领域进行了探索。通过模拟管网扩建实例计算,结果表明:采用优化设计方案后,总投资比采用混合遗传算法有所减少,并且基因表达混乱遗传算法收敛速度大大加快,算例中只搜索约0.0002%的可行域便可找到问题的最优解。

基于遗传算法的基因分类

独立分量分析(ICA)是应用于基因分类的一种统计方法.但独立分量分析中的估计分离矩阵算法主要采用了随机梯度算法、自然梯度算法,这些基于梯度下降的寻优算法很容易陷入局部极值,所得结果不精确.本文提出了一种基于遗传算法的基因分类算法,其基本思想是利用遗传算法代替独立分量分析中的传统的估计分离矩阵算法,对基因表达式数据进行分类,从而克服了结果不精确的问题.分析和实验结果表明,该分类方法获得了更好的分类效果.

遗传算法优化的肿瘤基因表达谱分类研究

提出了一种基于遗传算法(GA)优化支持向量机(SVM)分类决策树的用于肿瘤基因分类的新方法。该方法针对基因表达数据样本少维数高的特点,采用了支持向量机分类间隔作为遗传算法适应度函数。利用遗传算法在每一决策树结点自动选择最优或近优的分类决策,实现了对决策树的优化。试验结果表明,在样本有限的情况下,与传统的方法相比,该方法比单个决策树算法具有更高的分类精度。

基于多层染色体基因表达式程序设计的混合遗传进化算法

提出了一种新的基于多层染色体基因表达式程序设计的混合遗传进化算法:M-GEP-GA。该算法在基因表达式程序设计的基础上引入了多层染色体,并采用与遗传算法相嵌套的二级演化方法。利用染色体构建的层次调用模型对个体进行表达,用基因表达式程序设计方法优化模型结构,遗传算法优化模型参数。通过对三组数据测试,与用单基因GEP、多基因GEP的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性。

基于自适应遗传算法的特征基因选择

提出了一种基于自适应遗传算法的特征基因选择方法,首先建立一个基于Bhattacharyya距离的基因差异度模型,根据支持向量机(SVM)分类器的分类准确率选择出一个候选特征基因子集,然后利用自适应遗传算法搜索出一组最优特征基因组合,有效避免了遗传算法早熟收敛的缺陷,提高了全局寻优能力。对结肠癌基因表达谱数据进行仿真实验,分类准确率达到了94.6%,表明方法的可行性和有效性。

用遗传表达混乱遗传算法优化管网扩建工程

以降低管网造价和运行费用为目标,将基因表达混乱遗传算法(GEMGA)引入到供水管网系统的扩建优化设计中,对其在供水管网优化扩建实践领域进行了深入探索.模拟管网扩建实例计算表明:采用优化设计方案后,总投资比采用传统经验法节省近17%;与简单遗传算法(SGA)相比,GEMGA收敛速度大大加快,算例中只搜索约0.000 2%的可行域便找到问题的最优解.

基于工件表达法的遗传算法在车间作业计划中的应用

针对车间作业计划领域的实际情况 ,本文提出了一种简单快捷的遗传算法编码方式——基于工件表达法 ,详细讨论了其算法设计及其实现原理。通过基于该编码方式的遗传算法在车间作业计划优化中的应用实例与其他算法结果的比较 ,证明该编码方式简捷、实用。

基于遗传算法的结肠癌基因选择与样本分类

提出了一种基于两轮遗传算法的用于结肠癌微阵列数据基因选择与样本分类的新方法。该方法先根据基因的Bhattacharyya距离指标过滤大部分与分类不相关的基因,而后使用结合了遗传算法和CFS(Correlation-based Feature Selection)的GA/CFS方法选择优秀基因子集,并存档记录这些子集。根据存档子集中基因被选择的频率选择进一步搜索的候选子集,最后以结合了遗传算法和SVM的GA/SVM从候选基因子集中选择分类特征子集。把这种GA/CFS-GA/SVM方法应用到结肠癌微阵列数据,实验结果及与文献的比较表明了该方法效果良好。

集成遗传算法在特征基因选取中的应用

结合Filter和Wrapper方法的优点,提出一种基于集成遗传算法(FSEGA)的特征选择方法,用于从基因表达谱数据中选择特征基因。根据基因正负样本的分布关系定义信息指标过滤噪声基因,在递归特征消除过程中根据基因的集成权值生成候选基因子集,选择分类测试中具有最高AUC(接收者工作特征曲线下的面积)值的候选基因子集作为基因表达谱数据集的特征基因子集,将支持向量机(SVM)用于算法的适应度函数,研究FSEGA方法与分类器算法之间的关系,对5个肿瘤特征基因表达谱数据集进行基因选取实验。结果表明,采用提出的集成特征选取方法选取的特征基因集合含丰富类别信息,重复性较好,提高了肿瘤特征基因选取的稳定性和鲁棒性。

基于遗传算法优化决策树的肿瘤基因分类研究

基于多类别肿瘤基因表达谱数据集，从研究肿瘤与正常组织的分类入手，对肿瘤分类特征基因选取问题进行分析和研究。将决策树算法应用到肿瘤基因表达谱分类研究中，尝试引入遗传算法，对决策树分类规则进行优化。试验结果表明，在样本有限的情况下，该方法比单个决策树具有更高的分类精度。

基因表达式编程种群多样性自适应调控算法

为了解决基因表达式编程GEP种群多样性控制问题,提出了一种新的带权种群多样性的自适应调控方法。设计了带权的种群多样性测度方法,详细分析了选择、交叉及变异算子对种群多样性的影响。提出了初始种群的多样化算法DAIP,以保证初始种群多样性的最大化。设计了自适应的交叉和变异算子,提出了种群多样性自适应调控算法APDTA,使种群在进化过程中维持合适的种群多样性,进而提高进化效率。实验验证了APDTA的有效性。

考虑基因表达过程的进化算法

生物的进化过程是在其基因层与表型层上同时进行的 .表型层上的进化是以环境为参考的自然选择过程 ,而在基因层上则是一个带随机性的自我更新、自我优化的过程 ,而且在某种程度上具有自组织趋向 .基于这种新的进化观点 ,本文提出了一种新的进化算法并将其应用于各种函数优化问题中 .此算法不但考虑了表型层上的自然选择作用 ,还考虑了生物在基因层上的进化过程及两个层次间的相互映射关系 .仿真结果表明 ,此算法不论在收敛速度、参数鲁棒性还是全局搜索能力上 。

连续编码的基因表达式编程算法

提出一种基因连续编码的改进GEP算法。通过改造K表达式的编码规则消灭基因内区,使用更短的编码规则,尽可能利用到每位编码,保持基因多样性,改善其跳出局部最优的能力。由于充分利用基因连续编码的天然基因片断特性,不须定义多基因结构,降低算法设置的遗传算子数量,减少人工参数设置对算法的干扰。在序列推理和函数发现数据集上的实验结果表明,该算法具有更快的运算速度、较高的精度和较强的寻优能力。

一种基于粗糙遗传算法的缩放模式双聚类分析方法

研究了基因表达数据的缩放模式发现问题,给出了一种缩放模式双聚类评价函数,并提出了一种基于粗糙遗传算法的双聚类分析方法。该方法先以启发式算法及随机方法生成初始种群,再基于粗糙遗传算法对种群进行迭代,以达到全局优化的目的。在Yeast数据集上进行的测试表明,该算法能对启发式算法的结果进行良好的修正。生物显著性分析表明所发现的缩放模式双聚类具有生物学意义。

基于粒子群算法的基因表达谱聚类分析方法

双向聚类算法可以发现基因表达谱中隐藏的信息。为了寻找规模较大的基因相似矩阵,结合粒子群算法强大的搜索能力,提出了GP-Cluster双向聚类算法。基于粒子群(PSO)算法,引入Sigmoid函数进行动态调整,并在粒子飞行过程中加入了遗传算法(GA)"优胜劣汰"的思想,增加粒子运动的多变性和随机性,避免算法陷入局部最优。实验结果证明:相比GA算法和PSO算法,改进后的混合粒子群算法GP-Cluster能找到质量更佳的双向聚类,取得更好的聚类效果。

基于浮点遗传算法的近震定位方法

文中介绍了一种适用于基于浮点遗传算法的地震定位问题方法,在该算法中选用了浮点基因表示方法、参数和基因取值范围一致来避免编码解码,提出了算法的动态结束条件及处理方法。通过实际运算检验证明使用该方法来实现地震定位可以避免地震定位中的不稳定性和对初值的依赖性,从而保证地震定位的可靠性和稳定性,在时效方面也达到了相当的水平,是一个具有实际使用价值的算法。

双精英遗传策略的基因聚类算法

随着生物技术的不断发展,越来越多的基因表达数据被获取.为了对这些数据进行聚类分析,本文在深入分析传统的聚类算法之后,提出了双精英遗传聚类算法.该算法通过精英策略来保证种群的全局收敛性.针对遗传算法交叉过程中的无效交叉与多样性的丢失,算法还提出了基于差异度的交叉个体选择策略和双种群协同进化.通过实验测试得出,该算法聚类的准确性更高,更接近真实划分.