基于筛选-优化的基因选择

doi:10.3778/j.issn.1002-8331.2009.25.010

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 31-34.DOI: 10.3778/j.issn.1002-8331.2009.25.010

基于筛选-优化的基因选择

龚理专¹，梁国彪¹，蔡立军^2,3，蒋林波²

1.湖南大学教育技术服务中心，长沙 410082
2.湖南大学计算机与通信学院，长沙 410082
3.湖南大学软件学院，长沙 410082

收稿日期:2008-10-22 修回日期:2008-12-25 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 龚理专

Gene selection based on filtering-optimization

GONG Li-zhuan¹，LIANG Guo-biao¹，CAI Li-jun^2,3，JIANG Lin-bo²

1.Educational and Technical Service Center，Hunan University，Changsha 410082，China
2.College of Computer and Communication，Hunan University，Changsha 410082，China
3.Software School，Hunan University，Changsha 410082，China

Received:2008-10-22 Revised:2008-12-25 Online:2009-09-01 Published:2009-09-01
Contact: GONG Li-zhuan

摘要/Abstract

摘要： 先按照相关性系数标准对样本所包含的全体基因进行筛选，降低冗余的同时有利于缩小优化算法的搜索范围；然后在筛选结果上采用蚁群优化策略进行分类相关基因子集的选择，并利用样本聚类效果作为优化目标函数，在保证分类准确度的同时大大降低了基因选择方法的计算复杂度。实验结果表明，提出的基因选择方法能在相当短的时间内选出与分类相关的基因子集。

关键词: 相关性系数, 蚁群优化, 基因选择

Abstract: This paper first uses the relevant coefficient standard to filter the genes，which is advantageous to reduce the redundancy and the hunting zone of the optimized algorithm at the same time；Then it uses the ant colon optimization strategy in the result to select the subset of genes and it takes the clustering effect as the optimization objective function，which guarantees the accuracy of classification and greatly reduces the computation complexity of the method synchronously.The experimental result indicates that the gene selection method proposed in the paper can select the subset of related genes in very short time.

Key words: relativity coefficient, ant colon optimization, gene selection

中图分类号:

TP18

龚理专¹，梁国彪¹，蔡立军^2,3，蒋林波². 基于筛选-优化的基因选择[J]. 计算机工程与应用, 2009, 45(25): 31-34.

GONG Li-zhuan¹，LIANG Guo-biao¹，CAI Li-jun^2,3，JIANG Lin-bo². Gene selection based on filtering-optimization[J]. Computer Engineering and Applications, 2009, 45(25): 31-34.

[1]	张铭，邓文瀚，林娟，钟一文. 改进蚁群优化算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(13): 85-95.
[2]	张海南，游晓明，刘升，刘中强. 交互式学习的布谷鸟搜索算法[J]. 计算机工程与应用, 2020, 56(7): 147-154.
[3]	薛文艳，赵江，郝崇清，刘慧贤. 基于信息素负反馈的超启发式蚁群优化算法[J]. 计算机工程与应用, 2019, 55(4): 163-172.
[4]	姜道银1，2，葛洪伟1，2. 基于信息交流策略的连续域蚁群优化算法[J]. 计算机工程与应用, 2019, 55(11): 153-159.
[5]	姜道银1，2，葛洪伟1，2，袁罗1. 一种动态划分的混合连续域蚁群优化算法[J]. 计算机工程与应用, 2018, 54(7): 144-151.
[6]	孔林1，张国富1，2，苏兆品1，2，蒋建国1，2. 基于改进蚁群算法的救护车应急救援路径规划[J]. 计算机工程与应用, 2018, 54(13): 153-159.
[7]	周袅1，2，葛洪伟1，2，苏树智1. 基于信息素的自适应连续域混合蚁群算法[J]. 计算机工程与应用, 2017, 53(6): 156-161.
[8]	陈恒1，2，李冠宇2，孙云浩2. 重排序RDF流三元组模式的蚁群优化方法[J]. 计算机工程与应用, 2017, 53(12): 172-177.
[9]	侯梦婷，赵作鹏，高萌，张娜娜. 采用角度因子的蚁群优化多路径路由算法[J]. 计算机工程与应用, 2017, 53(1): 107-112.
[10]	高雷阜，张秀丽，王飞. 改进蚁群算法在SVM参数优化研究中的应用[J]. 计算机工程与应用, 2015, 51(13): 139-144.
[11]	金浩1，刘维宁2. 基于改进蚁群算法的梯式轨道多目标优化研究[J]. 计算机工程与应用, 2014, 50(22): 28-31.
[12]	徐善健，郭有强，戚晓明，夏伟. 混沌蚂蚁群优化求解自由节点B样条曲线拟合[J]. 计算机工程与应用, 2014, 50(16): 177-182.
[13]	田海梅1，黄楠2. 基于ACO-LSSVM的网络流量预测[J]. 计算机工程与应用, 2014, 50(1): 91-95.
[14]	黄永青1，郝国生2，钟志水1，胡为成1，杜娟1. 基于网格划分策略的连续域改进蚁群算法[J]. 计算机工程与应用, 2013, 49(9): 61-64.
[15]	魏平，熊伟清. 求解强异类集装箱装载问题的混合蚁群算法[J]. 计算机工程与应用, 2013, 49(7): 252-257.

基于筛选-优化的基因选择

Gene selection based on filtering-optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics