导读:本文包含了多目标进化计算论文开题报告文献综述及选题提纲参考文献，主要关键词:微阵列数据,双聚类,多目标进化计算,粒子群优化
多目标进化计算论文文献综述
刘军万[1]（2009）在《微阵列基因表达数据双聚类的多目标进化计算技术研究》一文中研究指出微阵列技术能够同时测量数千个基因的表达水平值,产生大量的微阵列数据集,导致需要研究更加有效的分析算法来挖掘其中的生物模式。双聚类是微阵列数据分析中一个非常有用的数据挖掘技术,并且在许多应用中展现出其优势。在基因表达矩阵的双聚类挖掘中,必须同时考虑优化几个相互冲突的目标,因而应用多目标优化求解双聚类是一个非常出色的方法。进化计算(Evolutionary Computation, EC)主要研究维持解形式的算法,偏重于将来解的创建,进化算法包括一些通常的算法实例,如遗传算法、遗传规划、进化策略、差分进化、模拟退火、粒子群优化、人工免疫系统优化和蚁群优化等。进化计算作为一个总体算法方法论,其多样性对于求解多目标优化问题非常重要。最近叁十年,仿真自然现象例如进化、遗传和免疫成为数据挖掘领域普遍的方法,采用进化算法EA(Evolutionary Algorithms)能发现微阵列基因表达数据中的全局最优解,为同时优化几个相互冲突的目标(例如聚类的大小和同源性)提出了多目标进化优化算法来发现微阵列数据中的全局最优双聚类。本文主要研究利用多目标优化进化计算求解微阵列数据集的聚类问题,重点研究多目标进化优化聚类算法、多目标粒子群优化双聚类、多目标人工免疫优化双聚类及多目标蚁群优化双聚类等相关算法。论文首先描述了双聚类算法研究现状及应用,分析微阵列数据集双聚类面临的挑战,对多目标优化的研究现状及在生物信息学中的应用进行描述后,给出了多目标进化双聚类算法的基础。论文对当前进化算法和多目标进化双聚类算法进行分析,总结了多目标进化优化聚类算法的基本框架。引进一个局部搜索策略,提出多目标进化优化叁维聚类算法(MOE-TC),挖掘GST数据中的3D聚类,在此基础上,应用σ选择策略和∈-支配策略加快算法的收敛,提出基于σ选择的三维聚类算法,并进行实验结果分析。粒子群优化仿真鸟群觅食的运动,具有快速收敛和相对简单等性质,同时又作为基于群体的技术,使其成为求解多目标优化问题的自然选择。本文应用多目标粒子群优化算法来求解双聚类问题的全局最优解,结合∈-支配和局部搜索方法,提出多目标粒子群优化双聚类(Multi-objective Particle Swarm Optimization Biclustering, MOPSOB)算法来挖掘微阵列数据集的具有较低的均方残差的具有生物意义的最大双聚类。为进一步改善最优解的多样性,本文应用拥挤距离更新策略,提出拥挤距离多目标粒子群优化双聚类方法(Crowding Distance basedMulti-objective Particle Swarm Optimization Biclustering, CMOPSOB),其多样性、收敛性和算法时间复杂度优于多目标进化双聚类算法。最近的研究工作表明,利用人工免疫系统求解多目标优化问题,可改进搜索能力和适用性,大大地提高了收敛速度,改进最优解的多样性。论文对当前人工免疫算法及多目标免疫优化算法进行分析后,基于人工免疫系统的免疫响应原理,扩展解的支配关系和拥挤更新机制,提出了多目标免疫优化双聚类(Multi-Objective Immune Optimization Biclustering, MOIOB)算法,实验表明算法能有效地找到更多有意义的双聚类。蚁群优化算法仿真觅食蚂蚁的生物学行为,在包括多目标优化在内的许多领域成为一个非常有效的问题求解策略。多目标蚁群优化主要求解多目标的组合优化问题,双聚类问题是典型的组合优化问题,因此本文整合局部搜索策略,提出了一个新的多目标蚁群优化双聚类算法(Multi-Objective Ant Colony Optimization Biclustering, MOACOB)求解微阵列数据集的具有重大生物意义的最大双聚类。为进一步保持最优解的多样性,本文组合拥挤群体更新策略到基于群体的多目标蚁群优化双聚类算法中,提出基于拥挤计算的多目标蚁群优化双聚类(Crowding computation based MOACO Biclustering, CMOACOB)算法来发现一个或者多个具有重大生物意义的最大的双聚类,并在两个基因表达数据集进行实验分析。总体而言,本文对于多目标进化双聚类进行了深入研究,针对微阵列数据提出了几个双聚类算法,对于推进高维数据中的多维聚类研究具有一定的理论意义和实用价值。(本文来源于《国防科学技术大学》期刊2009-05-01）
张琦,董梁,蒋馥,朱学军[2]（2000）在《多目标进化计算收敛到Pareto最优解集的证明》一文中研究指出多目标优化方法经历了一个从确定性搜索算法到随机搜索算法的过程 ,本质上仍是单目标优化的目标组合方法到真正意义上的向量优化方法的过程 ,至今仍在不断地发展中 ,但仍有大量未解决的问题。对多目标进化计算的研究是近年来求解多目标优化问题的重点 ,但目前仍未能证明多目标进化计算的收敛性 ,同时 ,单目标进化计算的收敛性结论不一定能推广到多目标的情况。对该问题进行了探讨 ,提出并证明了叁个定理 ,并且算例说明了该理论的正确性。(本文来源于《系统工程与电子技术》期刊2000年08期）
多目标进化计算论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
多目标优化方法经历了一个从确定性搜索算法到随机搜索算法的过程 ,本质上仍是单目标优化的目标组合方法到真正意义上的向量优化方法的过程 ,至今仍在不断地发展中 ,但仍有大量未解决的问题。对多目标进化计算的研究是近年来求解多目标优化问题的重点 ,但目前仍未能证明多目标进化计算的收敛性 ,同时 ,单目标进化计算的收敛性结论不一定能推广到多目标的情况。对该问题进行了探讨 ,提出并证明了叁个定理 ,并且算例说明了该理论的正确性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标进化计算论文参考文献
[1].刘军万.微阵列基因表达数据双聚类的多目标进化计算技术研究[D].国防科学技术大学.2009
[2].张琦,董梁,蒋馥,朱学军.多目标进化计算收敛到Pareto最优解集的证明[J].系统工程与电子技术.2000