基于遗传算法的贝叶斯网分解

首先定义了贝叶斯网(BN)分解的相关概念,提出了基于遗传算法的BN分解算法(BDGA),给出了BDGA算法的编码和适应度函数的表示方法,设计了BDGA算法的选择、交叉、变异算子,并得到不同种群大小情况下四个贝叶斯网Medianus Ⅰ、MedianusⅡ、Sparse和Dense的分解结果.结果表明BDGA能有效搜索全局最优的BN分解结构,在和Kjaerulff综合的采用10种算法分解这四种贝叶斯网的结果相比,BDGA算法超过10种算法的9个,和模拟退火算法具有同样好的结果.BDGA算法能实现准确求解BN的分解结构,为实现BN的联合树结构上的推理奠定了基础.     

贝叶斯网等价类学习算法

贝叶斯网用一种紧凑的形式表示联合概率分布,具有完备的语义和坚实的理论基础,目前已成为人工智能领域处理不确定性问题的最佳方法之一。贝叶斯网学习是其关键问题,传统学习方法存在如下不足：（1）随节点数增多非法结构以指数级增加,影响学习效率;（2）在等价结构之间进行打分搜索,影响收敛速度;（3）假设每个结构具有相同的先验概率,造成等价类中包含结构越多则先验概率越高。本文提出一种学习马尔科夫等价类算法,该算法基于骨架空间进行状态转换,利用从骨架空间到等价类空间的映 映射关系实现学习贝叶斯网等价类。实验数据证明,该方法可有效缩小搜索空间规模,相对于在有向图空间搜索的算法加快了算法的收敛速度,提高了执行效率。     

贝叶斯网学习算法模型及参数学习算法

1 引言近年来,贝叶斯网(又称随机信息网)作为处理人工智能中不确定性问题的建模工具受到学术界的广泛关注,并成功地应用在医学诊断、模式识别、故障诊断各个方面。作为一种有向图表示的建模方法,贝叶斯网由于其表达方式自然、紧凑,深受知识工程师喜受,已广泛地用于知识获取和表示。但是,利用专家知识构造贝叶斯网是一件烦琐的工作,特别是网络节点数很大时更是这样。因此,利用数据例子,通过学习自动生成贝叶斯网的方法日益受到重视,有一些学习     

基于云遗传退火的贝叶斯网络结构学习算法

针对贝叶斯网络结构学习对算法高效性的要求,提出将云遗传算法和模拟退火算法相结合的云遗传模拟退火算法,以云遗传算法的选择、云交叉和云变异来完成模拟退火算法中的更新解操作;同时,针对算法在特定条件下陷入早熟收敛的问题,提出了改进的云交叉算子和云变异算子。仿真实验结果表明,所提云遗传模拟退火算法能有效提高贝叶斯网络学习的效率和准确性。     

基于结构继承的贝叶斯网结构学习优化设计

采用遗传算法建立贝叶斯网络的优化学习结构,一直是贝叶斯网络研究倍受关注的课题.传统遗传算法的个体设计存在需要反复进行无环性检验的问题,降低了进化效率.针对这个问题,提出一种新的个体编码方式.考虑到进化过程中家族得分的可继承性,提出基于家族继承的结构评分改进算法,进而设计相应的改进遗传算法.实验结果表明,改进算法在BN建网精度与效率上都得到明显提升.     

基于拓扑序列和量子遗传算法的贝叶斯网结构学习

贝叶斯网是处理不确定性问题知识表示和推理的最重要的理论模型之一,其结构学习是目前研究的一个热点。提出了一种基于拓扑序列和量子遗传算法的贝叶斯网结构学习算法,新算法首先利用量子信息的丰富性和量子计算的并行性,设计出基于量子染色体的拓扑序列生成策略提高了搜索效率,并为K2算法学得高质量的贝叶斯网结构提供了保障;然后采用带上下界的自适应量子变异策略,增强了种群的多样性,提高了算法的搜索能力。实验结果表明,与已有的一些算法相比,新算法不仅能获得较高质量的解,而且还有着较快的收敛速度。     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

基于遗传算法和强化学习的贝叶斯网络结构学习算法

遗传算法是基于自然界中生物遗传规律的适应性原则对问题解空间进行搜寻和最优化的方法。贝叶斯网络是对不确定性知识进行建模、推理的主要方法,Bayesian网中的学习问题(参数学习与结构学习)是个NP-hard问题。强化学习是利用新顺序数据来更新学习结果的在线学习方法。介绍了利用强化学习指导遗传算法,实现对贝叶斯网结构进行有效学习。     

贝叶斯网结构学习搜索空间分析

贝叶斯网结构学习是一个NP难题,提高学习效率是重要研究问题之一。贝叶斯网结构空间的规模随节点(随机变量)数呈指数增加,选择适当的结构空间可以提高学习效率。本文对贝叶斯网结构空间进行定性和定量分析,对比有向图空间、贝叶斯网空间和马尔科夫等价类空间的规模和特点。通过实验数据分析先验结构空间约束对降低结构空间规模的效率,给出约束参数的选择区间。为贝叶斯网结构学习选择搜索空间和确定约束参数提供理论支持,从而提高学习效率。     

基于互信息的贝叶斯网络结构学习算法

贝叶斯网络结构学习是贝叶斯网络构建的核心,有效的结构学习算法是构建最优网络结构的基础。基于此,提出一种基于互信息的贝叶斯网络结构学习算法,该算法可以挖掘出数据集各属性中存在的隐含依赖关系,适时地对数据集进行降维操作,从而提高算法的效率,并可保证结果的准确性。实验结果表明,与常用的依赖分析算法SGS相比,在结果相似的情况下,该算法执行效率更高。     

基于改进遗传算法的TD-SCDMA扇区优化

获得满意的覆盖是TD-SCDMA标准网络规划的重点,为此,在遗传算法的基础上提出基于PCCPCH RSCP覆盖和PCCPCH C/I覆盖的改进遗传算法。采用符合网络多扇区多参数性质的二进制矩阵式编码,为加快收敛速度,给出基于块的交叉方法,同时为防止过早的局部收敛,对适应度函数进行尺度变换。实验结果表明,该算法可以快速收敛到目标解,PCCPCH RSCP覆盖比例和PCCPCH C/I覆盖比例均有不同程度的提升。     

一种结合反馈信息的贝叶斯分类增量学习方法

贝叶斯分类器形成初期,训练集不完备,生成的分类器性能不理想且不能动态跟踪用户需求。针对此缺陷,提出一种结合反馈信息的贝叶斯分类增量学习方法。为有效降低特征间的冗余性,提高反馈特征子集的代表能力,用一种基于遗传算法的改进特征选择方法选取反馈集中最优特征子集修正分类器。通过实验分析了算法的性能,结果证明该算法能明显优化分类效果,且整体稳定性较好。     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。     

基于遗传算法的WSNs多路径路由优化

对WSNs的拓扑结构进行分析,建立其路由网络模型,结合遗传算法基本原理,提出了一种求解WSNs最优多路径路由算法。该算法采用可变长度染色体编码,采取选择、交叉和变异操作,充分利用基站的信息资源和强大功能,全局优化了WSNs多路径路由。仿真结果表明,该优化机制有效延长了WSNs的生命周期,改善了网络性能。     

形式概念演化生成算法

目前仍然缺乏使用遗传算法构造概念的研究。为此,首先把形式概念的构造问题转换为以形式背景的对象幂集和属性幂集组合空间为搜索空间,以伽罗瓦联系为约束条件的约束最优化问题;然后提出一个新颖的基于遗传演化的概念生成算法——遗传概念生成算法(Geacob)。该算法采用变长结构编码,不仅满足概念形式的表示和演化过程的需要,而且使该算法具有更好的扩展性和通用性。实验表明了该遗传算法求解形式概念的可行性和有效性。     

动态旅行商问题的研究

传统的旅行商问题都是静态的,但在现实中许多问题是动态的。该文提出动态旅行商问题,问题的规模随时间不断变化。实时问题对算法的求解效率要求很高,为此设计了基于模糊规则的在线遗传算法,可以根据求解问题的变化,在线精炼模糊控制规则来控制算法的参数。仿真实验验证了算法的有效性。     

基于PBIL进化算法的时延受限组播路由算法

分布式实时多媒体的大量应用对能有效支持服务质量(QoS)的组播路由算法提出了迫切的要求,由于其NP-Complete特性,只能采用启发式算法。该文提出了一种基于PBIL(Population-BasedIncrementalLearning)进化算法的时延受限组播路由算法,该算法有效结合了遗传算法的进化特性与竞争学习算法的特点,实施简单,仿真表明它不但显著提高了收敛速度,而且能以较大概率收敛到最优解。     

用位操作编制遗传算法程序的一种技术

针对遗传算法编程中存在的计算效率问题 ,提出了一种基于位操作 (Bit Operation)编、解码技术 ,利用计算机储存单元中数据内码直接进行操作 ,无需作Decimal Binary之间的转换 ,可有效地提高计算过程中储存单元的利用率和计算效率 ;并给出了基于位操作的交换 ,变异等基因操作的计算方法。     

混合GP-GA用于信息系统建模预测的研究

该文克服了传统建模方法在模型选取及参数估计方面的困难与不足,提出了利用改进的遗传程序设计和改进的遗传算法相结合的混合GP-GA算法。一方面,遗传程序设计中加入了简约压力项,控制了代码过度增长,实现了不加先验知识的简洁非线性模型的自动获取。另一方面,遗传算法采用Gray编码,随机整群抽样选择,以优化模型中的参数,这在一定程度上补偿了遗传程序设计在演化过程中具有较好结构的模型可能因为其中的参数未能达到最优而被淘汰的损失。仿真实例和实际应用均表明混合GP-GA算法优于普通的回归分析及单纯的遗传程序设计方法,提高了拟合和预测精度,并且更适合反映问题的实际情况。     

基于协同进化遗传算法的模型拟合研究

普通遗传进化算法在解决模型拟合问题中,建模与优化顺序结构时优化效果有限、拟合速度慢、稳定性低。针对上述问题,提出基于协同进化遗传算法的模型拟合算法。该算法将建模与优化问题抽象成多种群间协同进化,通过种群间整体的适应度值交换,将种群关联起来,扩大智能算法建模过程中参数优化的时空作用范围。各种群间含有不同基因表达,在解决局部问题时具有自包含性,有利于更好地发挥各智能算法(遗传算法、遗传规划)的优势。实验结果表明,该算法的稳定性和收敛速度优于传统遗传进化算法。