微阵列数据分析是在微阵列技术基础上发展起来的数据挖掘技术,对同时检测获得的成千上万个基因表达水平值进行数据分析,挖掘出具有生物学意义的数据模式。双聚类分析较传统的分析手段更适用于基因数据的分析,它可以在行和列两个方向上进行聚类分析,在很大程度上克服了一些传统聚类分析方法带有的缺陷。　　双聚类算法的定义决定了求解双聚类问题是一个多目标优化过程。双聚类算法的目标是挖掘具有较高相似度和较大容量的双聚类,这两个目标并不总是能同时实现的,且大多数情况下是相互冲突的,适用于多目标优化建模。近年来,智能进化算法成为数据挖掘领域普遍的方法,例如遗传算法、模拟退火、粒子群优化、蚁群优化、神经网络等,这些算法对于求解多目标优化问题具有非常出色的表现。　　论文首先介绍了双聚类算法的产生背景、研究现状及应用,然后对双聚类优化问题进行描述,作为后面将要介绍的多目标双聚类算法的基础。论文在研究经典的双聚类算法ChengandChurch算法的基础上,针对该算法对于按比例缩放模式的双聚类进行聚类时的缺陷,基于ACSI改进得到一种新的相似性测度,该测度不仅可以挖掘出线性相关数据,还可以挖掘出非线性相关数据。论文在研究了目前多目标优化领域最具代表性的算法MOPSO算法的基础上,利用差分进化思想对其改进。最后利用公开的数据集进行实验,并将实验结果进行比较,结果表明,改进后的算法具有良好的运行性能,聚类结果的质量有了较大提高。