粒子对与差分进化混合算法改进基因表达数据聚类

需积分: 0 0 下载量 93 浏览量 更新于2024-09-08 收藏 1.59MB PDF 举报
本文研究的是"基于粒子对和差分进化的基因表达数据聚类"。针对粒子对算法在基因表达数据聚类中存在的问题,即容易陷入局部最优,导致聚类精度不高,且对初始粒子的选取非常敏感,研究人员提出了一个创新的混合算法。该算法结合了粒子群优化(Particle Pair Optimization, PPO)和差分进化(Differential Evolution, DE)的优势。 在混合算法的设计中,关键策略是定期在精英粒子对的迭代过程中引入DE算法。DE的全局搜索能力有助于防止PPO算法过早地局限于局部最优解,从而提升聚类的全局优化性能。此外,为了提高初始粒子的质量,算法利用K-means和PSO(粒子群优化)的快速聚类结果来初始化粒子的位置,这样可以增强聚类结果的稳定性和准确性。 实验部分,研究者将这个混合算法应用到真实的基因表达数据集上进行测试。结果显示,相比于传统的K-means和PPO算法,混合算法在聚类结果和稳定性方面表现更优。这表明,通过结合两种不同的优化策略,能够在基因表达数据聚类任务中获得更为精确和可靠的分类效果。 该研究的主要贡献在于解决基因表达数据聚类中的难题,为生物信息学领域提供了新的聚类方法,特别是在处理大规模复杂数据时,其优势尤为明显。同时,论文还涉及到了作者的背景信息,包括他们的研究方向和合作机构,如广西师范大学计算机科学与信息工程学院和贺州学院计算机科学与工程系,以及广西研究生教育创新计划的资助情况。 这篇论文的核心内容是开发并评估一种新的混合算法,旨在提升基因表达数据的聚类性能,通过结合粒子对和差分进化策略,改进了传统方法的局限性,为生物信息学研究提供了一种有效工具。