基于贝叶斯-遗传算法的多值无环CP-nets学习
发布时间：2021-11-08 13:32
条件偏好网（Conditional Preference networks,CP-nets）是描述属性间条件偏好的图模型,多值无环CP-nets学习是重要的研究方向之一.区别于传统的CP-nets学习方法,提出基于贝叶斯方法和遗传算法的多值无环CP-nets学习.在偏好处理上以多值属性的完整偏序关系作为条件偏好,进行相关性关系判定.随后,基于贝叶斯方法,以单一父属性推出多父属性下的相关性关系,进行CP-nets结构学习.采用遗传算法在CP-nets结构搜索空间中进行搜索,求解最优结构.通过Delink算法进行去环,完成无环CP-nets学习.在寿司数据集上验证算法的有效性,实验结果表明,基于贝叶斯-遗传算法的CP-nets学习算法能够在有限时间内学习得到局部最优无环CP-nets.
【文章来源】：南京大学学报(自然科学). 2020,56(01)北大核心CSCD
【文章页数】：11 页
【部分图文】：
无环CP-nets
例1图1为出行方式的CP-nets.出行方式（T）受天气（W）、参加场合（O）影响，出行方式有步行（Tw）、打车（Tt）、开车（Tc）三种；天气有多风（Ww）、下雨（Wr）、晴朗（Wf）三种取值；参加场合有公司（Oc）、聚会（Om）两种取值.出行方式多受天气影响，下雨时出行方式多为开车?打车?步行，即Wr:Tc?Tt?Tw；天气晴朗时出行方式多为步行?打车?开车，即Wf:Tw?Tt?Tc.偏好的选择不只受一种因素影响，出行方式也同时受天气和参加场合影响.2.2 贝叶斯方法
CP-nets结构以矩阵形式存储，矩阵行代表父属性，列代表子属性.若存在属性集合V={X1,X2,?,Xi,?,X}n，使CP-nets结构矩阵K中存在元素K(i,j)=1，则代表第i个属性Xi是第j个属性Xj的父亲；若为0则表示不存在父子关系.以当前子属性的相关性关系取值为权重，存储到结构权值矩阵中，代表当前子属性与父属性的相关性关系重要程度.对于结构权值W，其第i个元素代表CP-nets中第i个元素的父子关系程度Pare(U,Ci).例如，属性集合V={A,B,C}，所学CP-nets及其结构矩阵K和结构权值矩阵W如图2所示.对于CP-nets结构I，所有子属性的相关性关系均值为结构I的适应度，适应度如式（3）所示.例如，图2所示的CP-nets的适应度fit(I)=0.85.计算公式如式（3）所示：
【参考文献】：
期刊论文
[1]A Novel Search Engine for Internet of Everything Based on Dynamic Prediction[J]. Hui Lu,Shen Su,Zhihong Tian,Chunsheng Zhu. 中国通信. 2019(03)
[2]机器人的CP-nets优化类人轨迹规划（英文）[J]. 刘兆伟,仲兆琳,王磊,李珂. 控制理论与应用. 2018(12)
[3]CP-nets学习的复杂度[J]. 刘惊雷,廖士中. 计算机科学. 2018(06)
[4]基于精确P值计算学习无环CP-nets[J]. 辛冠琳,刘惊雷. 南京大学学报(自然科学). 2017(03)
[5]从偏好数据库中挖掘Ceteris Paribus偏好[J]. 辛冠琳,刘惊雷. 计算机应用. 2016(08)
[6]基于G方检验的CP-nets学习[J]. 辛冠琳,刘惊雷. 南京大学学报(自然科学). 2015(04)
[7]CP-nets及其表达能力研究[J]. 刘惊雷. 自动化学报. 2011(03)
博士论文
[1]基于偏好数据库的无环CP-nets结构学习方法研究[D]. 刘兆伟.山东大学 2018
本文编号：3483796
【文章来源】：南京大学学报(自然科学). 2020,56(01)北大核心CSCD
【文章页数】：11 页
【部分图文】：
无环CP-nets
例1图1为出行方式的CP-nets.出行方式（T）受天气（W）、参加场合（O）影响，出行方式有步行（Tw）、打车（Tt）、开车（Tc）三种；天气有多风（Ww）、下雨（Wr）、晴朗（Wf）三种取值；参加场合有公司（Oc）、聚会（Om）两种取值.出行方式多受天气影响，下雨时出行方式多为开车?打车?步行，即Wr:Tc?Tt?Tw；天气晴朗时出行方式多为步行?打车?开车，即Wf:Tw?Tt?Tc.偏好的选择不只受一种因素影响，出行方式也同时受天气和参加场合影响.2.2 贝叶斯方法
CP-nets结构以矩阵形式存储，矩阵行代表父属性，列代表子属性.若存在属性集合V={X1,X2,?,Xi,?,X}n，使CP-nets结构矩阵K中存在元素K(i,j)=1，则代表第i个属性Xi是第j个属性Xj的父亲；若为0则表示不存在父子关系.以当前子属性的相关性关系取值为权重，存储到结构权值矩阵中，代表当前子属性与父属性的相关性关系重要程度.对于结构权值W，其第i个元素代表CP-nets中第i个元素的父子关系程度Pare(U,Ci).例如，属性集合V={A,B,C}，所学CP-nets及其结构矩阵K和结构权值矩阵W如图2所示.对于CP-nets结构I，所有子属性的相关性关系均值为结构I的适应度，适应度如式（3）所示.例如，图2所示的CP-nets的适应度fit(I)=0.85.计算公式如式（3）所示：
【参考文献】：
期刊论文
[1]A Novel Search Engine for Internet of Everything Based on Dynamic Prediction[J]. Hui Lu,Shen Su,Zhihong Tian,Chunsheng Zhu. 中国通信. 2019(03)
[2]机器人的CP-nets优化类人轨迹规划（英文）[J]. 刘兆伟,仲兆琳,王磊,李珂. 控制理论与应用. 2018(12)
[3]CP-nets学习的复杂度[J]. 刘惊雷,廖士中. 计算机科学. 2018(06)
[4]基于精确P值计算学习无环CP-nets[J]. 辛冠琳,刘惊雷. 南京大学学报(自然科学). 2017(03)
[5]从偏好数据库中挖掘Ceteris Paribus偏好[J]. 辛冠琳,刘惊雷. 计算机应用. 2016(08)
[6]基于G方检验的CP-nets学习[J]. 辛冠琳,刘惊雷. 南京大学学报(自然科学). 2015(04)
[7]CP-nets及其表达能力研究[J]. 刘惊雷. 自动化学报. 2011(03)
博士论文
[1]基于偏好数据库的无环CP-nets结构学习方法研究[D]. 刘兆伟.山东大学 2018
本文编号：3483796
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3483796.html
