21、生物信息学中的多目标遗传与多关系学习方法

生物信息学中的多目标遗传与多关系学习方法

1. MOSCFRA 多目标遗传方法

1.1 算法流程

MOSCFRA 算法是一种用于同时进行基因聚类和基因排名的多目标遗传方法。其主要步骤如下：
1. 更新聚类中心 ：根据样本值的均值更新聚类中心，然后用新的聚类中心更新染色体。
2. 交叉操作 ：
- 种群中的每个染色体分为基因权重部分和聚类中心部分。
- 基因权重部分使用均匀交叉，聚类中心部分使用单点交叉，两者的交叉概率（Cp）相同。
- 一对父染色体通过交叉操作生成一对子染色体，父种群生成相同大小的子种群用于变异操作。
3. 变异操作 ：使用非常小的变异概率（Mp）。若满足变异条件，将变异位的实际值替换为范围在 [0,1] 之间的随机值，此操作同时应用于基因权重和聚类中心部分。
4. 选择、精英策略和终止条件 ：
- 使用二进制锦标赛选择，结合拥挤度和排名比较方法。
- 每一代完成交叉和变异操作后，将子代种群与父代种群合并。
- 从合并后的种群中选择非支配染色体，创建相同大小的新种群用于下一代，这一特性称为精英策略，可确保算法更快收敛。
- NSGA - II 算法执行固定的代数，由用户指定终止条件，终止后会得到最后一代的一组非支配解。
5. 最终解的选择 ：
- 通过 CP 指数和 R 指数从最后一代的非支配解集中选择最终解。
- 对于人工数据集，选择 CP 指数和 R