基于DPSO的不确定系统测试性建模

针对关联模型在复杂装备测试性评估中对不确定问题描述与分析的缺陷,给出了基于贝叶斯网络的测试性模型,利用条件概率描述系统的不确定信息.在基于统计数据的测试性建模与评估中,由于故障征兆与故障原因统计的不完全性,致使测试性建模属于数据不完备情况下的结构和参数学习问题,针对该问题利用离散粒子群算法,通过测试性数据完备化,以贝叶斯测度为计分值,实现贝叶斯网络结构学习.最后通过实例验证了算法的正确性和有效性.     

基于PCA的贝叶斯网络分类器研究

针对基于信息论的贝叶斯网络结构学习算法中结点集越大计算效率越低的缺点,采用主元分析(PCA)对样本数据降维.减少构造网络的结点数量,提高贝叶斯网络结构构造算法的效率.应用基于PCA方法构造贝叶斯网络.其结点少、结构简单,较传统贝叶斯网络具有较高的学习效率和分类准确率.     

基于动态云贝叶斯网络的舰艇防空目标威胁评估

针对目标威胁评估中信息表达的不确定性以及威胁评估模型专家网络结构的主观性,提出一种基于结构学习的动态云贝叶斯网络评估模型。首先,利用云模型良好的知识表达能力定量描述不确定连续性信息;其次,使用爬山算法进行结构学习,综合专家提出的网络结构构建贝叶斯网络;接着引入时间变量,将其扩展成为动态贝叶斯网络,然后用最大似然概率估计算法学习网络参数;最后,利用联合树算法对动态云贝叶斯网络进行推理评估。仿真结果表明,该模型能够有效的对观测信息进行威胁评估,具有合理性和可行性。     

基于PCA的贝叶斯网络分类器研究

针对基于信息论的贝叶斯网络结构学习算法中结点集越大计算效率越低的缺点,采用主元分析（PCA）对样本数据降维．减少构造网络的结点数量,提高贝叶斯网络结构构造算法的效率。应用基于PCA方法构造贝叶斯网络,其结点少、结构简单,较传统贝叶斯网络具有较高的学习效率和分类准确率。     

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。     

基于最大熵的分布估计算法

分布估计算法是当前进化计算领域的一个新方向。文中提出一种新的基于最大熵的分布估计算法,主要用基于最大熵估计种群中的模式概率分布,取代贝叶斯网络分布估计算法中的贝叶斯概率图模型。该算法无需进行贝叶斯网络学习,大大减少了计算量,而且还能获取更准确的概率分布估计。实验结果表明,与贝叶斯优化算法相比,该算法具有更高的稳定性和更强的寻优能力。     

一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法

针对传统降水粒子分类算法存在的过度依赖专家经验和模型预设误差问题,本文提出了一种基于离散属性贝叶斯网络(Bayesian NeTwork,BNT)的双偏振气象雷达降水粒子分类(Hydrometeor Classification,HC)方法.首先对双偏振气象雷达获取的偏振参量取值进行离散化处理生成离散化标准,并根据离散化标准制作训练数据集合;然后使用训练数据集合对贝叶斯网络进行结构学习学得贝叶斯网络结构,以及参数学习学得与贝叶斯网络结构匹配的条件概率表;最后加入附加信息计算出每种降水粒子类先验概率,与贝叶斯网络结构和条件概率表共同组成贝叶斯网络分类器.训练好的贝叶斯网络分类器根据最大后验概率准则完成对测试数据的降水粒子分类,与模糊逻辑算法对比评价结果.实验证明:该方法能有效区分不同的降水粒子得到准确的降水粒子分类结果.     

基于条件独立测试的链图结构学习算法

链图是贝叶斯网络和马尔科夫网络的自然推广,具有较强的表达能力.但目前关于链图结构学习算法的研究较少.本文基于贝叶斯网络结构学习的Grow-Shrink算法思想,提出一种链图等价类结构学习算法.该算法首先利用网络中结点的局部邻域信息,学习结点的邻接结点恢复网络骨架;然后根据链图复合体有向边的特点,利用条件独立测试确定网络的复合体有向边,从而恢复链图结构.理论分析和实验结果表明了该算法的正确性和有效性.     

基于遗传算法的贝叶斯网络结构学习综述

贝叶斯网络采用图模型描述变量之间的依赖关系，因其结构清晰，具有突出的决策机制和学习机制，故拥有优秀的推理能力。在各类研究方法中，遗传算法能够有效地解决复杂的优化问题，以其普适性好、鲁棒性强、便于并行执行、高效便捷等显著特点，在贝叶斯网络结构的学习研究过程中发挥着非常重要的作用。从初始种群、遗传操作算子设计两个层面对近年基于遗传算法的因果结构学习改进方法进行了调研分析并指出了该技术路线进一步的研究方向。     

基于拓扑排序的贝叶斯网络结构学习方法

贝叶斯网络是一种运用于知识推理的信息模型,为解决网络结构学习过程中K2算法易受节点顺序影响问题,提出了一种基于拓扑排序的贝叶斯结构学习方法.算法首先采用最大权重生成树算法确定节点间连接关系建立生成树;其次通过带环监测的深度优先搜索算法为节点进行拓扑排序;最后将深度优先搜索的排序提供给K2算法选取评分最高的网络结构作为结构学习结果.算法与采用广度优先搜索算法进行节点排序的结构学习结果比较表明,在大中型网络上的正确率和学习效率有良好效果.     

一种新型的自适应混沌遗传算法

针对标准二进制编码遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法用于求解优化问题.该算法利用信息熵理论产生较好的初始群体分布,并依据概率分布函数构造杂交算子,同时结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法能有效维持群体多样性,防止和克服进化过程中的"早熟"现象,算法操作简单、易于实现.最后通过对几个经典测试函数的数值实验,验证了该算法在提高解的精度和加快收敛速度方面都有显著改善,从而为解决函数优化问题提供了一种行之有效的新方法.     

基于布谷鸟算法的光纤激光网络异质信息入侵检测

采用以往入侵检测方法时,通过随机方式对参数进行初始化处理,检测精度低,为此,提出一种基于布谷鸟算法的光纤激光网络异质信息入侵检测方法。分析了布谷鸟算法寻优过程,针对常规布谷鸟算法受参数改变的影响相对较大,具有收敛速度慢、准确率低以及容易陷入局部最优的弊端,依据差分进化方法,通过在新鸟巢位置公式中结合别的鸟巢位置完成简易交叉变异,提升种群多样性,同时利用惯性权重减少迭代次数,保证整体寻优速度。对光纤激光网络异质信息入侵的历史数据进行采集,提取关键特征,通过布谷鸟算法对极限学习机进行改进,获取最优入侵检测分类器,通过分类器构建异质信息入侵检测模型,实现光纤激光网络异质信息入侵检测。实验结果表明,所提方法收敛速度快,误报率低且入侵检测精度高。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

一种改进的基于密度的多目标进化算法

多目标密度驱动进化算法(MODdEA)利用非支配等级信息和分区密度信息求解多目标优化问题,该算法在与其他多目标进化算法的比较中有着出色的表现.在其基础上本文提出了一种改进的多目标进化算法MODdEA+,首先在该算法中基于搜索空间的分区机制提出了克隆操作,该操作不但能在进化前期增强算法的全局搜索能力,还能在进化后期提高算法的局部精化能力;其次引入一种基于Pareto信息表中个体支配及被支配信息的评价策略以使对信息表个体的排序结果更加精确;最后对变异操作进行了改进以降低出现不必要越界情况的概率.为验证改进算法的有效性,在对其进行分析的基础上针对多个测试问题将其与原算法进行了实验比较,结果表明改进算法的求解质量明显优于原算法.     

基于遗传算法的动态Bayesian网结构学习的研究

动态Bayesian网是复杂随机过程的图形表示形式,从数据中学习建造动态Bayesian网是目前的研究热点问题.本文针对该问题提出了一种遗传算法.文中设计了结合数学期望的适应度函数,该函数利用进化过程中的最好动态Bayesian网把不完备数据转换成完备数据,使动态Bayesian网的学习分解为两个Bayesian网(初始网和转换网)的学习,简化了学习的复杂度.此外,文中给出了网络结构的编码方案,设计了相应的遗传算子.模拟实验结果表明,该算法能有效地从不完备数据序列中学习动态Bayesian网,并且实验结果说明了隐藏变量的作用和遗传控制参数对结果模型的影响.     

考虑基因表达过程的进化算法

生物的进化过程是在其基因层与表型层上同时进行的.表型层上的进化是以环境为参考的自然选择过程,而在基因层上则是一个带随机性的自我更新、自我优化的过程,而且在某种程度上具有自组织趋向.基于这种新的进化观点,本文提出了一种新的进化算法并将其应用于各种函数优化问题中.此算法不但考虑了表型层上的自然选择作用,还考虑了生物在基因层上的进化过程及两个层次间的相互映射关系.仿真结果表明,此算法不论在收敛速度、参数鲁棒性还是全局搜索能力上,都优于传统框架下的进化算法.     

实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.     

贝叶斯网络推理算法研究

大型复杂贝叶斯网络的诊断推理存在困难,在其推理诊断之前对网络结构进行适当的简化,可以有效地加快诊断推理速度。采用分簇联合树算法实现对网络结构的简化与推理。主要介绍了分簇搜索算法的基本思想、实现步骤及联合树推理算法,并将它们结合使用,使贝叶斯网络的简化推理更有效。     

多种群协同进化算法优化的云存储仿真分析

云平台下大数据的极速增长,使得传统的数据存储由于时间响应慢、负载不均衡等因素,成为阻碍大数据云存储的关键技术,为了解决云平台下大数据的存储问题,提出了多种群协同进化优化算法的存储方法.该方法首先将存储分布区分割成若干个环区域,同时标记每个存储区的存储访问时间,然后将大数据的存储访问抽象为最优解问题.通过改进协同进化算法,防止粒子群早熟,采用该优化算法对大数据存储过程中的任务调度粒子群分别编码,根据微粒群不断进化和变异,迭代得到最优解,从而满足云平台下大数据存储的实际需求.利用Cloudsim搭建仿真平台,对提出的新型大数据存储方法加以评估验证,结果表明该方法不仅具有更快的响应速度,而且降低了系统能耗,提高了负载均衡度.