多样性引导的QPSO基因表达数据聚类算法.pdf

Compu~rEngineeringandApplications计算机工程与应用 多样性引导的QPSO基因表达数据聚类算法 陈 伟 ，李成渊，孙 俊，须文波 CHEN Wei，LICheng—yuan，SUN Jun，XU Wen-bo 江南大学 信息工程学院，江苏 无锡 214122 SchoolofInformation，Jiangnan University，Wuxi，Jiangsu 214122，China E—mail：chenwei 一 0906@yahoo．tom．cn CHEN W ei，LIChen~yuan，SUN Jun，eta1．Diversity-guided quantum-behaved particle swarm optimization geneexpres- siondataclusteringalgorithm．ComputerEngineeringandApplications，2010。46(36)：11-15． Abstract：Because itis easy for clustering algorithm based on Particle Swarm Optimization to fallinto the localoptimum ， clusteringofgeneexpressiondatausingQuantum—behavedParticleSwarm Optimizationisproposed．Thecontrolofdiversityof particles is applied in the novelclustering algorithm to improve the globalconvergence．A K-means opermor like in K-means clustering is also introduced to acceleratethe convergence ofproposed algorithm ．Rand index and Silhouette index are selected asevalumion criteria ofclustering．Clustering experimenton five artificialorrealgene expression data setsshowsthatthe new method outperformshte PSO clustering on convergence speed and the globalconvergence isproved through the controlofdi- versity．Contrastto some common clusteringalgorithms，thebetterclustering solmion andvalidation are alsoobtained． Keywords：Quantum-behavedParticleSwamr Optimization；geneexpressiondata；diversity—guided：clustering 摘 要 ：针对基于粒子群优化的聚类算法容易陷入局部最优值的缺点，提 出将量子行为粒子群优化应用于基因表达数据的聚类 分析问题中。在新的聚类算法中采用了对粒子群的多样性控制，以提高算法的全局收敛性能；此外还在新算法中引入了类似于 均值聚类的操作步骤 ，用以提高算法整体的收敛速度。选择Rand指数和Silhouette指数作为聚类评价标准，对5个人工和实际的 基因表达数据集合进行聚类实验分析表明，新算法和基于粒子群优化的聚类算法相比，具有较快的收敛速度 ，粒子多样性的控制 能有效改善算法的全局收敛性能。和其他一些常用的聚类算法比较 ，也能够获得更好的聚类评价，聚类效果更好。 关键词：量子行为粒子群优化 ；基因表达数据；多样性引导；聚类 DOI：10．3778~．issn．1002．8331．2010．36．003 文章编号：1002．8331(2010)36．0011．05 文献标识码：A 中图分类号：TP39 1 引言 类新聚类方法的根本策略就是将基因表达数据的聚类问题归 为了更好地研究复杂的生物系统，研究者们通过基因芯 结为一个优化问题 ，模拟 自然界的进化过程进行启发式有哪些信誉好的足球投注网站，