微阵列技术能够同时测量数千个基因的表达水平值,可以同时平行检测大量基因的表达水平,产生大量的微阵列数据集,这些基因表达数据反映了不同实验条件下的基因组水平。基因表达数据中包含了大量的基因活跃性信息和细胞生理状态信息。如何利用有效的计算方法对大量微阵列数据进行分析成为了生物信息学中新的挑战。因此需要研究更加有效的分析算法来发现基因表达之间存在的一些关联关系,在此基础上更进一步的发掘基因间的一些调控模式、共同功能和交互关系等。对于微阵列数据分析,双聚类是一个常用的数据挖掘方法,并且在许多应用中展现出其优势。随着双聚类算法在基因表达数据中的分析应用,出现了大量不同类型的BI聚类算法,对基因表达数据中的分析发挥了重要作用。在基因表达数据中,趋势一致性双聚类是一类最具生物学意义的双聚类类型,目前许多算法都是以解决该类型的BI聚类而进行设计的。然而,由于该问题本身具有的难度和复杂性,如何高效地发现基因表达数据中一致性数据的趋势依然具有非常大的挑战。对于基因表达数据分析,双聚类方法被证明是一种高效的实用方法,在设计双聚类算法时必须同时考虑优化几个相互冲突的目标,比如较高行方差和最低均方残差等目标的最大双聚类,因此能够转换成多目标优化问题。最近几十年,根据自然现象启发而设计的算法例如进化、粒子群和蚁群等成为数据挖掘领域普遍的方法,通过采用进化算法能发现微阵列基因表达数据中的全局最优解,为同时优化几个相互冲突的目标例如聚类的大小和同源性提出了多目标进化优化算法来发现微阵列数据中的全局最优双聚类。本文通过对NSGAII算法和MOEA/D算法的详细分析研究,研究它们各自的优点和不足。在此研究上提出一种NSGAII算法和MOEA/D算法相结合的算法,该算法利用NSGAII和MOEA/D两个著名的算法在不同的进化阶段通过对其进化效率的测量,进而对其分配不同的计算资源,使得在整个进化过程中计算资源的合理分配从而提升算法的性能。这个算法可以同时避免这NSGAII多样性不足和MOEA/D的收敛性不平衡问题,同时还可以利用各自的优点。最后通过在酵母菌啤酒细胞基因表达数据集和人类细胞数据集上对提出的算法进行了实验验证,并与利用NSGAII多目标算法解决双聚类问题的NSGA2B双聚类算法进行的实验对比。通过大量的实验得到了比较好的结果,该结果表明本文所提出的算法能够较好的处理基因表达数据中的双聚类问题。