摘要: 随着信息技术与计算科学不断发展，人们在研究自然科学的同时，越来越对自身奥秘和生物进化过程产生浓厚的兴趣。人类基因组计划的逐步实施，基因芯片微阵列技术的出现，标志着后基因组时代已经来临。对大规模的生物数据进行数学建模和分析，构建基因... 展开 随着信息技术与计算科学不断发展，人们在研究自然科学的同时，越来越对自身奥秘和生物进化过程产生浓厚的兴趣。人类基因组计划的逐步实施，基因芯片微阵列技术的出现，标志着后基因组时代已经来临。对大规模的生物数据进行数学建模和分析，构建基因调控网络成为重要的研究方向。 分析了已有的基因调控网络模型的特点，考虑到贝叶斯网络模型作为随机模型，具有表述直观、推理灵活、决策方便等优点，研究了基于贝叶斯网络的基因调控网络构建方法。 利用已知的样本数据对网络模型进行重建，可以视为一个优化问题。根据这种思想，本文以贝叶斯网络的BIC评分值作为目标函数，选取了两种不同的群优化算法对贝叶斯网络进行学习。第一种是粒子群优化算法，文中采用互信息对初始父节点进行了筛选，重新定义了粒子群优化算法中的粒子位置、速度编码、粒子迭代运算法则以及参数。第二种是人工鱼群算法，文中重新定义了人工鱼群算法中的人工鱼编码、人工鱼行为以及人工鱼邻居和聚类中心，为了避免算法陷入局部极值，引入了自适应视野策略和跳跃人工鱼方法，同时对环路进行了处理。通过模拟数据的实验结果验证了文中的优化算法能够提高得到的贝叶斯网络的推断能力。对比实验结果也表明粒子群优化算法速度较快，人工鱼群算法具有较高的精度，但是复杂度稍高，最后对真实生物数据构建了基因调控网络，验证了算法的有效性。 收起