贝叶斯网络结构学习优化方法研究

发布时间：2021-03-26 23:14

　　针对贝叶斯网络结构学习的复杂问题,首先在深入研究网络结构特点基础上建立了1-步依赖系数BN邻接矩阵,将网络结构学习问题转化为邻接矩阵边的关系处理;然后,采用爬山算法进行局部寻优,再用遗传算法进行全局优化的思想进行贝叶斯网络结构求解。算例分析表明:所提算法可行,计算效率高于遗传算法。 

【文章来源】：海军工程大学学报. 2019,31(06)北大核心

【文章页数】：4 页

【部分图文】：

BN结构及其邻接矩阵

采用本文方法在Matlab中调用bintprog函数求解式(3)的优化问题,运算得到各个节点间的相互关系初始解,结果如图2所示。以图2的无向图为初始种群并加以编码、交叉和变异等遗传操作寻优最佳网络结构。在计算中,参数的设置包括初始种群规模、显著性水平、交叉概率、变异概率、迭代次数。其中,种群规模N=100,显著性水平α=0.005,交叉概率pa=0.98,变异概率pb=0.01,采用BIC测度打分函数,在算法处于收敛时终止迭代。通过本文提出的方法最终学习得到图1的网络结构。

为验证本文所提算法的优越性,将其与遗传算法的计算结果进行对比分析,结果如图3所示。图中显示为不同样本对应下的计算时间(t1=5.32 s),t1为本文所提算法计算时间(t2=6.41 s),t2为遗传算法计算时间。由图3可见,不同样本下本文所提算法计算时间均比遗传算法少,说明本文算法比遗传算法更优越,主要在于本文算法采用爬山算法进行局部搜索减少了在全局搜索时的局部搜索时间,因此计算时间比单纯采用遗传算法要少,计算效率更高。4 结束语


本文编号：3102413