1、“.....本文提出了基于差异度的交叉个体选择策略，即根据与目标个体的差异度选择交叉个体，算法过程中根据种群的不同进化程度自适应调整差异度权重即体引导进化，直至完成整个进化过程种群的进化种群的精英个体初始值是从种群自身产生的，之后在种群内的进化过程中随着遗传进化不断地自我更新，在进行种群间的交叉操作之后，再将与精英库中适应度较差的个体进行对比，若较大，则将替换掉精英库中适应度较差的个体然后在精英库中挑选适应度最高的个体作为继续引导种群的进化种群的进化目的是种群的收敛速度与多样性的平衡自适应交叉变异率调整为了加快种群收敛速度，种族在进化中的交叉率和变异率将随着进化个体的适应度而不断调整，使得适应度较高的个体具有较低的交叉变异率，从而可以保护种群中成个初始中心点重复过程次，由此得到初始种群......”。

2、“.....同时也降低了算法过程中的计算量我们使用层次聚类将数据集划分为不同簇类，那是因为层次聚类算法不受初始中心的影响且不需要事先设定簇类个数适应度函数设数据集共有个数据中心，其个中心点为则聚类所得的聚类总代价如下其中是根据中心点划分的簇，是簇中的元素，为欧式距离代表了数据集在中心点作用下所求出的聚类代价，其值越小，求得的簇内距离越小为了体现聚类代价的作用，本文所采用的适应度函数如下其中代表数关于双精英遗传聚类算法的研究生物工程论文噪的功能双精英聚类算法初始种群的产生聚类初始中心点的选择对聚类结果的影响是很大的，目前为止最常用的生成初始中心点的方法分别有基于算法的随机生成与基于算法的最远距离生成，但是两种生成方式并不适用于包含大量冗余数据的数据集，而基因表达数据中含有大量的冗余基因，我们在聚类过程中需要降低这类基因对聚类结果的影响......”。

3、“.....本文提出了种基于波动最大属性的划分法根据实验数据集中每个数据的每个属性值建立个矩阵，其中为数据个数，为属性个数，为第个数据在第进行聚类分析所以我们在求解过程中必须对这些缺失数据进行处理本文利用以下规则对缺失数据进行了处理当数据缺失太严重时，般认为超过总数的，则删除该条基因数据当数据缺失数目在总数之内时，使用平均值填充法填充之数据标准化在基因表达数据中，由于测量过程中存在系统偏差和标签差异，使得不同基因之间存在数值范围差异数值范围的差异使得不同基因在聚类中的影响也会有明显的差异因此数据标准化也是必不可少的操作本文将基因表达数据映射到范围内，既能减少数值差异带来的影响，又能降低计算复杂度方差分析基因表达数据通常具有数以万条的基因数据......”。

4、“.....为了解决这些问题，孟伟等人，通过为每次进化种群引入固定比例的随机个体来降低早熟影响近几年来，利用精英策略来改进遗传算法的研究越来越多慕彩红等人，将精英个体的数目提升为个，通过个精英个体的协同遗传操作来提高算法的全局求优能力刘全等人，将进化种群以精英集为基础划分成两个子种群，分别进行不同的遗传操作，从而提升了算法的效率王福才等人，提出了种混合精英策略，兼顾了算法的局部搜索能力和全局搜索能力，黄永青等人，提出了基于精英保留策略的蚁群遗传算法，从而提升了算法的效率在此基础上，本文提出种双精英遗传聚类算法，算法采用保优进化和两个种群协同进化策略，同时又加入了自适应交叉变异摘要随着生物技术的不断发展，越来越多的基因表达数据被获取为了对这些数据进行聚类分析，本文在深入分析传统的聚类算法之后......”。

5、“.....算法还提出了基于差异度的交叉个体选择策略和双种群协同进化通过实验测试得出，该算法聚类的准确性更高，更接近真实划分关键词基因表达数据生物工程精英策略遗传算法引言随着微阵列技术的出现，为我们提供了很多的基因表达数据如何通过基因表达数据来分析出样本的显著性特点是当前的主要研究内容之聚类算法是数据挖掘的重要算法，也是分析基因表达数据的个在如何在保证聚类结果的同时降低算法的时间复杂度参考文献冯勇，张学理，王嵘冰，等融入密度和距离的初始簇中心优选方法研究小型微型计算机系统，王磊，乔莉，齐俊艳基于蚁群算法的非均匀分簇水声传感网能量优化路由研究等计算机工程，杨永涛，黄国言，张坤，等种利用曲率约束的改进维点云数据分割方法小型微型计算机系统......”。

6、“.....黄健恒，于军琪，赵敏华并行采样移动社交网络均值分布层次聚类小型微型计算机系统，刘展杰，陈晓云局部子空间聚类自动化学报，宋飞豹，贾瑞玉精英遗传聚类算法计算机，这说明相对于没有明显的优势在和指标上均优于其他个聚类算法，这说明聚类结果更为准确表各个算法求得的表各个算法求得的个算法在这次实验中的纯度如表所示，相对于，在两个数据集中的平均纯度分别提升了和，分别提升了和，而提升幅度最大，为和，这说明的聚类结果最接近真实划分的结果，性能提升也最为明显表各个算法求得的纯度多样性度量文献，提出了在以进制编码为基础的遗传算法中，如何度量种群多样性的计算公式其中为个体的编码长度，表示所有个体在第位为的个数，表示所有个值就是该聚簇占比最多的类若聚类生成的簇与真实划分的类纯度较高，而与其它类的较低，说明其与该类的符合程度较高所有聚簇划分的总体纯度为其中，为划分簇的个数......”。

7、“.....这里不作详细介绍实验结果为了验证算法的有效性，本文将与以及标准遗传聚类算法进行对比，从基因表达综合数据库上选取两个经典数据集和进行测试其中出版于年月，是等人在柏林测量正常人，类风湿关节炎患者和骨关节炎患者代数输出聚类中心点集合算法步骤如下数据预处理初始化，使用波动最大属性划分法产生数目相同的两个初始种群并根据初始种群来初始化精英库计算种群中每个个体的适应度使用方法更新质心使用公式计算个体的适应度更新精英库，若两个种群中的最优个体适应度高于精英库的最差个体，则替换之更新精英库后，将精英库中的数据作为和种群的进化使用轮盘赌选择法挑选进化个体使用公式公式计算交叉变异率并选取交叉个体进行交叉操作对交叉变异后的个体，采用保优进化的策略进行筛选种群的进化使用公式获取个随机个体并替换掉种群中适应度最差的个个体......”。

8、“.....何宏，谭永红种基于动态遗传算法的聚类新方法电子学报，孟伟，韩学东，洪炳镕蜜蜂进化型遗传算法电子学报，慕彩红，焦李成，刘逸精英协同进化数值优化算法软件学报，刘全，王晓燕，傅启明，等双精英协同进化遗传算法软件学报，姚登举，詹晓娟，张晓晶种加权均值基因聚类算法哈尔滨理工大学学报，郭广颂，李响，郝国生基于进化个体混杂型适应值的交互式遗传算法计算机工程，文翰，肖南峰基于强类别特征近邻传播的半监督文本聚类模式识别与人工智能，贾瑞玉，宋飞豹，汤深伟双精英遗传策略的基因聚类算法小型微型计算机系统，基金国家科技支撑计划项目资助关于双精英遗传聚类算法的研究生物工程论文均代数和运行时间表表明，在算法收敛代数上，比缩短了将近在的双种群中，种群的收敛速度较快，而在种群的带动下，种群也能够快速达到收敛在算法效率上看，在每代耗时上不如......”。

9、“.....提高了提高了结论本文提出种基于双精英遗传策略的基因聚类算法，在传统遗传算法基础上采用两个种群协同保优进化策略，同时又提出了自适应调整的交叉变异率和差异度选择交叉，有效地提高了算法的收敛速度相对于，和，聚类结果更接近真实划分，聚类更加准确由于算法中加入太多进化策略，导致运行时间也相对较长，因此我们下步的工作在交叉操作中，在选择第个交叉个体之后，第个个体被选择的概率为其中为个体的适应度，为个体被选择的概率适应度越大越大，个体被选择的概率就越大，这有效地避免了无效交叉即个体被交叉的基因完全相同种群的进化种群是以精英个体为主导的，的产生方式与相似，只是每次从基因库中要选择与相异的个体种群的进化目的是为了扩大种群的多样性，避免早熟现象，为了实现这目的，引入定数目随机个体来替换掉每次遗传操作后种群的进化团队中适应度较差的个体为了使随机个体的数目与种群整体优秀程度相关......”。