贝叶斯网络推理学习的混合粒子群-差分算法

发布时间：2021-05-06 20:04

　　针对启发式算法应用于贝叶斯网络推理学习易陷入局部最优和寻优效率低的问题,提出一种基于混合粒子群-差分法的贝叶斯网络推理算法.该算法利用自适应的反向学习策略增加初始种群的多样性,将差分变异算子引入离散粒子群算法,提出自适应概率分层搜索策略平衡局部搜索与全局搜索,并根据levy飞行机制建立自适应的变异策略避免算法陷入局部最优.由算法的收敛性分析可知,通过迭代搜索可以找到贝叶斯网络的最大可能解释.实验结果表明与其他算法相比收敛精度与寻优效率均有提升. 

【文章来源】：小型微型计算机系统. 2020,41(06)北大核心CSCD

【文章页数】：7 页

【文章目录】：
1 引言
2 HDPSO-DE算法构建
    2.1 构建初始种群
    2.2 HDPSO-DE算法的迭代过程
    2.3 HDPSO-DE算法步骤
    2.4 HDPSO-DE算法收敛性分析
3 实验结果与分析
    3.1 算法不同算子贡献度分析
    3.2 与其他算法的对比
4 结束语


【参考文献】：
期刊论文
[1]一种快速收敛的非参数粒子群优化算法及其收敛性分析[J]. 刘兆广,纪秀花,刘云霞.  电子学报. 2018(07)
[2]基于拟熵自适应启动局部搜索策略的混合粒子群算法[J]. 曹玉莲,李文锋,张煜.  电子学报. 2018(01)
[3]基于蝙蝠算法的粒子滤波法研究[J]. 陈志敏,田梦楚,吴盘龙,薄煜明,顾福飞,岳聪.  物理学报. 2017(05)
[4]基于贝叶斯网络的无线传感网高效数据传输方法[J]. 刘广怡,李鸥,宋涛,孔范增.  电子与信息学报. 2016(06)



本文编号：3172539