导读:本文包含了遗传基因算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,基因,函数,模型,目标,无人机,数据。
遗传基因算法论文文献综述
方雅兰,库在强[1]（2019）在《基于几种机器学习算法的致病遗传基因位点分析》一文中研究指出基因中的SNP位点的识别与筛选已成为复杂疾病与基因关联分析研究中日益重要的课题.本文首先对某类疾病基因库采用医学上常用的位点分类方式,分别统计样本总体各个位点的基因频率,从而确定主等位基因与次等位基因,将每个位点的碱基对(A,T,C,G)信息编码转化为数值编码.其次,采用卡方检验方法粗略筛选出可能的SNP位点,最后应用随机森林算法、Bagging、AdaBoost算法、Lasso Logistic算法等机器学习算法筛选出判别结果具有一致性的基因位点,并采用Cross-Validation方法对筛选结果的有效性进行了验证.(本文来源于《黄冈师范学院学报》期刊2019年03期）
刘庆,王洋,李星,李红叶[2]（2019）在《基因池操作遗传算法的应用层组播路由优化》一文中研究指出在应用层组播系统中,负责数据转发的终端节点不具备线速转发能力,较重的转发负载会引起拥塞。以拥塞节点为根的整个子路由树将与源节点失联。为解决由拥塞导致应用层组播稳定性差的问题,将构造最优组播树的过程抽象为有度约束的最小代价Steiner树问题。提出了一种用于构造节点转发能力受限应用层组播树的遗传算法,算法以组播树上各节点的直接前驱对其进行遗传表达,便于节点出度的统计。为使遗传操作适用于直接前驱编码,引入了"基因池"的概念并以此为基础实现了交叉与变异。针对度约束导致产生非可行解的问题,提出将组播树对度约束的超出量作为一个新的优化目标,从而以多目标优化的方式得到Pareto前沿,并从Pareto前沿上截取满足度约束的解作为最终输出,避免了使用惩罚函数法的求得非可行解的风险。仿真实验表明,提出的遗传算法能够构造节点转发能力受限的应用层组播路由树,具有良好的求解可靠性。(本文来源于《计算机工程与应用》期刊2019年21期）
孔舟帆[3]（2019）在《基于改进多目标遗传算法的双聚类算法在基因表达数据中的研究》一文中研究指出基因表达数据反映了成千上万个基因在不同实验条件下的表达水平,当我们对这些基因表达数据进行分析时,挖掘隐藏在海量基因表达数据中的相似表达模式能够为我们提供有价值的生物信息。考虑到基因表达数据具有数据量大且高噪声的特点,如何从基因表达数据中有效的挖掘有价值的生物信息成为了一个值得研究的问题。通过生物信息学的研究发现,很多隐藏在基因表达数据中的遗传模式仅仅在特定的实验条件下对一组基因是可见的,这与基因调控的现象也是相符的,协同基因一般仅仅在某些特定条件下才会呈现出共同调控表达的特点。因此,我们将双聚类算法应用到了基因表达数据的挖掘中,双聚类算法能够同时对基因表达矩阵的行和列进行聚类,从而找到局部的相似表达模式。在双聚类的搜索过程中,我们希望能够找到体积较大且质量较高的双聚类,而这两个优化目标是一对互相冲突的优化目标,针对这一问题,本文将多目标遗传算法应用到了基因表达数据的双聚类挖掘中。本文提出了一种改进的多目标遗传算法,分别从种群初始化策略和选择算子设计两个方面对传统多目标遗传算法进行了改进,通过在若干个经典测试函数上与传统多目标遗传算法进行了多样性和收敛性对比,验证了改进多目标遗传算法的有效性。另一方面,本文基于改进的多目标遗传算法,提出了一种创新的双聚类算法。首先,在传统的双聚类种群之外,引入了行列种群来参与遗传进化的过程。行列群体能够帮助我们评估双聚类中每一行或每一列对双聚类的贡献,沿着优良行列个体定义的搜索方向来搜索双聚类,能够帮助我们在较小的搜索空间中有效的检测双聚类。其次,在行列种群和双聚类种群的学习阶段中,对行列群体采用了布谷鸟搜索算法来进行最优解搜索;对双聚类种群采用了改进的多目标遗传算法来进行双聚类种群的初步优化。最后,将进化后的行列种群和初步进化的双聚类中进行交配,使得双聚类群体能够得到进一步的进化,与此同时,行列群体的适应度值也得到更新。通过与多个经典双聚类算法在人工数据集和真实数据集上进行对比实验,本文提出的算法有着更好的表现,验证了本文提出的双聚类算法的有效性。(本文来源于《华南理工大学》期刊2019-04-10）
宋飞豹[4]（2019）在《遗传聚类算法的改进及其在基因表达数据分析中的应用》一文中研究指出近年来,cDNA微阵列技术的出现和应用,使得基因表达数据被大量检测出来,从而为人类在分子层级分析疾病提供了充足的样本数据。而如何通过海量的基因表达数据挖掘出有用的信息,便成了当前的研究热点。聚类算法作为数据挖掘中的重要算法,是对基因表达数据分析的一个有效手段,科研人员常利用聚类算法找出相似基因,从而利用已知的基因表达数据分析出样本的显着性特点。在众多聚类算法中,k-means作为最常用的聚类算法之一,常用在基因表达数据的分析中。但k-means本身具有初始中心点敏感,局部收敛等问题,遗传算法作为求解多目标优化问题的一个常用手段,可以有效地提升k-means的聚类效果。本文研究并编码实现了遗传聚类(遗传k-means算法、遗传k-meanS++算法);为了提升遗传聚类算法的收敛速度和种群多样性对遗传聚类算法进行了改进,并用实验验证了改进算法的有效性,进一步将该算法运用于基因表达数据分析领域。具体改进之处如下:(1)初始种群的选择,在遗传聚类算法中,一个进化个体代表着一种聚类中心点的分布方案,此时的初始种群相当于k-means聚类中的初始中心点集合。而在基因表达数据中存在着大量的无关基因,此类基因占比大,所含的信息量少。为了避免无关基因的影响。本文采用波动最大属性(Most volatile attribute,简称MVA)的划分法。基因在不同样品的表达数据波动越大,表明该基因包含的信息越丰富。本文将数据波动最大的前m个属性按照层次聚类的方法划分为k个区间,然后再随机的从每个区间内选取数据作为聚类的初始中心点。通过多个数据集上的对比实验证明了基于MVA划分法的遗传聚类算法聚类效果要好于传统的初始中心点划分法。(2)基于差异度的选择策略,传统的选择策略完全依赖个体适应度,容易选择出两个较为相似的个体作为进化个体进行交叉,那么交叉后的新个体可能与原有的交叉个体相差不大,交叉操作也就失去了意义。为了在一定程度上避免这一现象,本文提出一种基于差异度(Degree of difference,简称DD)的选择策略,当已确定一个交叉个体后,通过引入差异度作为适应度的权重以避免早熟收敛。通过实验证明,基于差异度的选择策略可以有效的提高遗传聚类算法的准确性。(3)双精英种群的进化框架,本文参考分层遗传算法的思想,将进化种群分成A,B两个种群,两个种群均由精英个体主导以保证种群的全局收敛性,两个种群在各自的进化操作期间互不干扰。种群A采用自适应的交叉变异率和保优进化来加快进化效率,种群B通过引入一定数目的随机个体来扩大种群的多样性。在种群A和种群B各自独立运行一定进化代数后,将两个种群进行种群间的交叉操作,使得两个种群能够协同进化,优势互补,完成种群的进化。(本文来源于《安徽大学》期刊2019-03-01）
陈莉莉,胡宁[5]（2019）在《基因遗传算法在智能排课系统中的应用研究》一文中研究指出本文主要针对当前智慧校园环境下高校在多种类型实验室、多用途的智慧教室、多校区、多学科类型教师授课等复杂环境下,对教学管理过程排课的约束条件、流程处理进行研究,利用基因遗传算法在处理排课系统中的优势,以此来解决高校教务部门部分排课问题,生成最优化的教学课表。(本文来源于《电脑知识与技术》期刊2019年06期）
邓昌明,李晨,邓可君,张治坤,袁玲[6]（2019）在《基因遗传算法在文本情感分类中的应用》一文中研究指出本文以微博文本为主要实验对象,提出适合卷积神经网络进行自我优化的编码方式,分别将每一层看做是一个染色体,将每一层中的参数看做是一个基因片段,采用混合双重非数值编码的方式编码每个CNN框架,设计出适合于CNN网络的选择、交叉和变异的算法,并且把基因遗传算法(GA)和与卷积神经网络相结合,提出了基于情感分析算法的遗传算法(GA-CNN).通过对传统算法与GA-CNN的实验与对比分析,良好地展示了自我优化性.(本文来源于《四川大学学报(自然科学版)》期刊2019年01期）
田震,王晓芳[7]（2019）在《基于多基因遗传算法的异构多无人机协同任务分配》一文中研究指出以异构多无人机对多目标执行侦查、攻击和评估任务为背景,开展协同任务分配问题建模、算法设计和仿真分析。综合考虑异构无人机任务执行能力、任务执行时序和自身运动学等约束,同时考虑各无人机机载弹药毁伤概率因素,建立以任务执行时间和攻击收益为综合性能指标的任务分配优化模型,提出避免产生"死锁"现象的基于多类型基因编码的改进遗传算法,实现对协同任务分配问题的求解。基于任务分配方案和无人机的最小转弯半径,采用Dubins路径协调方法,生成无人机的可飞航迹。仿真结果表明,改进遗传算法可快速有效地求解多约束条件下异构多无人机协同任务分配问题,基于Dubins路径协调可为每个无人机生成完整的可飞航迹。(本文来源于《飞行力学》期刊2019年01期）
刘爽,魏欧,郭宗豪[8]（2018）在《基于概率模型检测和遗传算法的基因调控网络的无限范围优化控制》一文中研究指出基因调控网络是一类基本且重要的生物网络,通过对其进行控制可以实现生物系统功能的调节。在生物系统中,通过外部的干预控制构造关于基因调控网络的控制理论成为了非常热门的研究主题。目前,作为一种重要的网络模型,带有干扰且上下文相关的概率布尔网络已经被广泛地应用于基因调控网络优化控制问题的研究中。针对无限范围的优化控制问题,文中提出了一种基于概率模型检测和遗传算法的近似最优控制策略的计算方法。首先,该方法将无限范围控制中定义的期望总成本归约为离散时间马尔科夫链上的平稳状态回报;然后,构建包含固定控制策略的带有干扰且上下文相关的概率布尔网络模型,采用带回报属性的时序逻辑公式表示固定控制策略的成本,采用概率模型检测器PRISM进行自动计算。进一步,采用遗传算法,将固定控制策略编码为遗传算法解空间中的个体,基于其控制成本,定义个体的适应度值,将PRISM作为求解器,通过在解空间上迭代地执行遗传操作获取近似最优解。将所提方法应用于WNT5A网络中,实验结果证明了该方法的有效性。(本文来源于《计算机科学》期刊2018年10期）
张旭,肖承仟,邢文涛,白杨,贾莹坤[9]（2018）在《电力系统无功优化的基因遗传算法》一文中研究指出电力系统的无功优化问题是一个多变量、多约束的混合非线性规划问题。本文简要介绍了电力系统无功优化的现状,并且全面总结了无功优化的数学模型,阐述了遗传算法的理论知识以及在电力系统无功优化中的应用,最后对无功优化的进一步发展提出了一些看法。(本文来源于《第九届电能质量研讨会论文集》期刊2018-06-28）
张维程[10]（2018）在《嵌合遗传算法和Spark的基因表达式编程的函数发现研究》一文中研究指出随着社会的进步和科学技术的发展,IT技术相关的各个行业都呈现出高速发展,与其相关的海量信息也迎面而来,如何从海量的数据信息中提取有用的信息,进而更好帮助我们预测和指导相关的实践工作,是当前面临的一大困境。函数发现是数据挖掘的重要分支之一,其存在目的就是对海量数据进行处理,最终发现其中存在的规律和变化趋势,形成一种函数模型。本文主要研究基因表达式编程(GEP)在函数发现中的应用。GEP是Ferreira在继承遗传算法(GA)和遗传编程(GP)的基础上提出的第叁类新型进化算法,它集中了GA和GP的优点,并且克服了不足之处,最终实现通过简单的编码解决现实生活中复杂问题的目的,更适合函数发现方面的应用。函数发现问题归根结底可理解为通过优化分析,最终得出与原函数拟合度最高的函数,其中,数值常量的处理方式是决定GEP算法能否很好解决函数发现问题的重要因素之一。本文提出了一种嵌合遗传算法的基因表达式编程的函数发现算法(GEP-GA),该算法改进之处就在于提出了一种新的常量优化方法。在函数发现过程中分别通过两种措施对每一代的优化过程进行处理:首先,在固定常量集前提下,由常规的GEP算法确定函数结构;其次,使用GA对第一阶段得出的函数结构的常量进行优化,并将优化后得到的常量做为下一代的固定常量。实验结果表明,GEP-GA比以往指定常量的常量处理方法(GEP-MC)效果有较大提升,并且更加智能化。GEP-GA在解决函数发现问题的时候,随着问题规模的增大和函数复杂度的提升,GA在全局搜索优化方面渐渐的表现出一些缺陷,例如,搜索速度比较慢、进化时间长、局部的搜索能力也变得越来越差等等。如何解决GA在实际问题中存在的缺陷是近几年来研究者们广泛关注的焦点。面对以上问题,本文充分利用遗传算法天然的并行性,将Spark集群的高速并行性和遗传算法天然的并行性相结合。实验结果表明,Spark的加入减少了GA未成熟收敛的可能性,提高了求解质量,在加快搜索速度、减少进化时间、提高局部搜索能力等方面更是表现出很好的效果。(本文来源于《南昌大学》期刊2018-06-02）
遗传基因算法论文开题报告
（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：
在应用层组播系统中,负责数据转发的终端节点不具备线速转发能力,较重的转发负载会引起拥塞。以拥塞节点为根的整个子路由树将与源节点失联。为解决由拥塞导致应用层组播稳定性差的问题,将构造最优组播树的过程抽象为有度约束的最小代价Steiner树问题。提出了一种用于构造节点转发能力受限应用层组播树的遗传算法,算法以组播树上各节点的直接前驱对其进行遗传表达,便于节点出度的统计。为使遗传操作适用于直接前驱编码,引入了"基因池"的概念并以此为基础实现了交叉与变异。针对度约束导致产生非可行解的问题,提出将组播树对度约束的超出量作为一个新的优化目标,从而以多目标优化的方式得到Pareto前沿,并从Pareto前沿上截取满足度约束的解作为最终输出,避免了使用惩罚函数法的求得非可行解的风险。仿真实验表明,提出的遗传算法能够构造节点转发能力受限的应用层组播路由树,具有良好的求解可靠性。
（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。
遗传基因算法论文参考文献
[1].方雅兰,库在强.基于几种机器学习算法的致病遗传基因位点分析[J].黄冈师范学院学报.2019
[2].刘庆,王洋,李星,李红叶.基因池操作遗传算法的应用层组播路由优化[J].计算机工程与应用.2019
[3].孔舟帆.基于改进多目标遗传算法的双聚类算法在基因表达数据中的研究[D].华南理工大学.2019
[4].宋飞豹.遗传聚类算法的改进及其在基因表达数据分析中的应用[D].安徽大学.2019
[5].陈莉莉,胡宁.基因遗传算法在智能排课系统中的应用研究[J].电脑知识与技术.2019
[6].邓昌明,李晨,邓可君,张治坤,袁玲.基因遗传算法在文本情感分类中的应用[J].四川大学学报(自然科学版).2019
[7].田震,王晓芳.基于多基因遗传算法的异构多无人机协同任务分配[J].飞行力学.2019
[8].刘爽,魏欧,郭宗豪.基于概率模型检测和遗传算法的基因调控网络的无限范围优化控制[J].计算机科学.2018
[9].张旭,肖承仟,邢文涛,白杨,贾莹坤.电力系统无功优化的基因遗传算法[C].第九届电能质量研讨会论文集.2018
[10].张维程.嵌合遗传算法和Spark的基因表达式编程的函数发现研究[D].南昌大学.2018
论文知识图
