微阵列技术是实验分子生物学最新的重大突破之一,作为一个强有力的工具,它可以同时得到上千个基因的表达水平,产生大规模基因表达数据。由于在基因表达分析中有巨大的潜力,有助于病情诊断、新药开发和生命科学研究,自双向聚类算法被提出开始,它便被广泛应用于基因表达数据研究中,但现有的算法都还存在一些不足,因此研究双向聚类算法非常必要。本论文应用遗传算法来解决双向聚类问题,提出了一种改进SGBI (Sequential Genetic Biclustering)算法,它采用连续覆盖策略来搜索双向聚类,通过避免重叠策略来尽可能避免结果双向聚类间的重复,将种群分为两部分进化以平衡种群的选择压力和种群多样性,主要包括以下几个方面:1.算法使用了基于遗传算法的连续覆盖策略。连续覆盖策略连续执行最优搜索模块,它将基因表达矩阵和某个给定阈值δ作为输入,随机产生初始群体,并通过适应度函数的引导,按照适者生存的原理,重复执行选择、交叉、变异等遗传操作来进化,获得平均平方残差低于给定阈值δ的双向聚类作为结果。2.利用避免重叠策略来改善双向聚类算法的迭代过程。没有使用随机数来覆盖已发现双向聚类,而是在每次获得结果后调整基因表达矩阵的惩罚值权重来尽可能避免结果间的重复,避免了其他算法中存在的随机数干扰问题,有效控制了结果双向聚类间的重叠率。3.根据种群内个体到当前最优个体的距离,把种群分成两部分,分别按照不同的进化策略执行进化操作,然后重组,有效地地平衡了种群的选择压力和种群多样性。改进SGBI算法被应用于酵母菌基因表达谱数据集、人类细胞表达谱数据集、肿瘤基因表达谱数据集上,成功地获得了在条件子集下表现出明显相似变动趋势的基因子集,表明改进SGBI算法能够获得规模较大并且平均平方残差低于给定阈值δ、行变动相对较高、相互间重叠率较低的双向聚类,说明了算法的有效性。