推断基因调控网络是研究生物信息的重要途经之一,它能发掘细胞系统的潜在机制,其精确性直接影响了生物基因信息的准确性.本文主要研究了聚类算法和多目标优化算法在基因调控网络推断中的应用,所做的主要工作如下:针对推断网络中的参数估计问题,引入表示网络连接的二进制变量,提出了一种混和变量多目标优化算法.将数据拟合误差和₀L-范数作为生物目标优化模型中的两个目标,先通过混合变量多目标优化算法获得生物目标优化模型的非支配解,再通过自动权衡选择过程从非支配解中选择最终的推断结果.在人工数据集上的实验表明,混合变量多目标优化算法在低噪环境下能对小型基因调控网络做出有效推断.鉴于大型基因调控网络中的基因表达数据普遍存在的维度爆炸问题,提出了最优PSO（Particle Swarm Optimization,简称PSO）-k均值聚类算法对基因表达数据进行快速聚类.首先利用轮廓系数对聚类数k的取值进行研究,使基因表达数据的聚类结果更具有合理性,当确定出k的最佳取值后,再利用PSO-k均值算法对基因表达数据聚类,以实现对大型基因调控网络的合理分割,减少推断过程中的计算复杂度.为了解决分割后的子网络之间无连接、相互独立的问题,进一步提出了代表基因的概念,将每个子网络通过代表基因相互连接.为了目标基因的调控基因的筛选,采取了二次筛选的方法,使筛选得到的调控基因更加全面.首先根据同一子网络中的基因到目标基因的距离筛选出目标基因的近邻基因,将其和代表基因组成候选基因,然后通过混合变量多目标优化算法对候选基因的参数进行求解,并设定阈值,去除候选基因中参数较小的基因.在酿酒酵母的基因表达数据集上的实验表明,二次筛选得到的调控基因是合理的,根据S型系统模型推断的基因表达数据与原始数据比较相近.本文对基因调控网络的动力学模型做了一定的研究与探索,提出了混合变量多目标优化算法来对小型基因调控网络进行推断,并进一步提出了基于聚类和混合变量多目标优化算法的大型基因调控网络推断方法,并在真实数据集上证明了其可行性.