一种通过节点序寻优进行贝叶斯网络结构学习的算法

针对K2算法过度依赖节点序,遗传算法节点序寻优效率差的问题,该文提出一种直接对节点序进行评分搜索的贝叶斯结构学习算法。该算法以K2算法为基础,首先通过计算支撑树权重矩阵,构建能够定量评价节点序的适应度函数。然后通过提出混合交叉策略和孤立节点处理机制,同时利用动态学习因子和倒置变异策略,提升遗传算法节点序寻优的性能。最后将得到的节点序作为K2算法的先验知识得到最优贝叶斯网络结构。仿真结果表明,该方法解决了K2算法依赖先验知识的问题,相比于其它优化算法,评分值平均增加了13.11%。     

基于BD度量的简单贝叶斯优化学习算法

贝叶斯优化算法是利用贝叶斯网络匹配进化种群的优良解集而产生新的染色体来体现种群的进化.在贝叶斯网络对种群进行匹配的过程中,贝叶斯网络结构越复杂,种群的进化信息描述越完整,进化质量越高,但运算速度相对来说越慢;相反,贝叶斯网络越简单,算法描述的种群的进化信息越少,进化质量越差,但却能够提高算法的运算速度.基于此,给出了简单贝叶斯优化与复杂贝叶斯优化定义.针对简单贝叶斯网络提出了基于BD度量的三步结构学习算法,并给出了一个利用这种算法进行贝叶斯网络结构学习的例子.     

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。     

基于圆形搜索机制的多反向复合鲸鱼优化算法

为了改进鲸鱼优化算法存在的种群多样性和勘探开采能力不足等问题,提出了基于圆形搜索机制的多反向复合鲸鱼优化算法（CSOWOA）.首先,针对种群多样性进行了改进.通过折射反向学习初始化种群,以便于搜索到更为隐蔽的空间,加强初始种群的多样性;在算法寻优过程中,通过适应度值大小来划分优势种群和劣势种群,分别对其进行折射反向学习和随机反向学习的多反向复合方式,确保算法寻优过程中种群分布的多样性,便于算法寻优。其次,针对算法勘探开采能力进行了改进.采用结合种群成功率的自适应权重来加强鲸鱼的包围搜索能力,同时在包围搜索过程中通过两种圆形搜索机制加强算法的勘探和开采能力,提升算法的收敛速度和寻优精度.最后,加入正态变异来扰动精英个体的位置,带动可能陷入停滞的鲸鱼种群,避免算法陷入局部最优.仿真实验在13个基准测试函数中与几个知名改进鲸鱼算法和经典智能优化算法进行比较,比较结果显示CSOWOA有明显的提升效果.     

基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法（SSA）存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法（LIW-SSA）。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。     

基于鲸鱼优化算法的贝叶斯分类器研究与应用

朴素贝叶斯分类器的条件独立性这一假设称为“朴素贝叶斯假设”,其限制了朴素贝叶斯分类的适用范围和分类准确率,为了解决问题,本文提出用改进的鲸鱼优化算法来优化朴素贝叶斯分类器,并对算法进行应用研究。改进的鲸鱼优化算法使用禁忌搜索机制来跳出算法寻优时候易陷入局部最优的误区。为了削弱朴素贝叶斯分类器独立性假设,通过改进的鲸鱼优化算法自动搜索分类器的属性全局性权值,从而提升了加权贝叶斯分类器的运算的准确率。试验证明,相比较传统的朴素贝叶斯分类算法,本文优化后的加权贝叶斯分类算法具有更精准的分类结果。最后提出将改进后的属性加权贝叶斯分类器应用到“移动云”建设的方案。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

基于Bezier和改进PSO算法的风环境下翼伞航迹规划

针对当前翼伞空投航迹规划中未考虑复杂风场影响,文中提出一种利用风场优势求解最优航迹的算法。将航迹规划问题转换成Bezier曲线的参数寻优问题,针对风场环境下可行轨迹特点提出优化策略,提出改进的粒子群优化算法求取最优解。实验结果表明,该航迹规划算法能在复杂风场环境下求出一条满足各种要求的最优航迹,算法设计合理,工程易实现。     

基于混沌的多策略优化麻雀算法及应用

针对原始麻雀搜索算法在寻优过程中出现多样性降低,难以跳出局部最优,以及收敛精度不够等问题,提出一种基于混沌的多策略优化麻雀算法.首先,通过Circle混沌映射进行种群初始化,生成分布更加均匀的麻雀种群,增加种群的多样性;其次,引入自适应比例,对发现者的种群规模占种群总规模的比例进行动态变化,平衡算法的全局搜索与局部挖掘能力;然后引入Levy飞行改进发现者位置更新方式,提高算法的搜索范围与局部搜索能力,并且加快收敛于最优值的速度;最后,选择逐维变异与反向学习相融合的方式来扰动当前全局最优位置,通过贪婪算法来筛选出变异前后的最优值作为当前全局最优值,从而提高算法跳离局部最优的能力.本次选择12个基准函数和Wilcoxon秩和检验进行验证,并于六种其他算法进行对比,证明了以上多种策略对于算法的性能提升明显.同时,将该改进算法应用于工程实践中,本文选择压缩弹簧设计优化问题,验证所提改进算法在工程设计中的可行性与优越性.     

基于改进种群多样度的差分进化算法

针对差分进化算法进化后期易出现早熟收敛而陷入局部最优的缺陷,提出了一种基于改进种群多样度的差分进化算法。对进化算法种群多样度进行了研究,经过数学推导,证明了种群多样度与算法全局寻优性能的关系,提出了一种随机变异策略,更好地保持了寻优过程中种群的多样性,增强算法的全局搜索能力。典型测试函数实验表明,改进后的差分进化算法相对于标准差分进化算法具有更好的种群多样性和抑制早熟收敛的能力。     

Bayesian network structure learning algorithm based on hybrid binary salp swarm-differential evolution algorithm

Aiming at the disadvantages of Bayesian network structure learned by heuristic algorithms,which were trapping in local minimums and having low search efficiency,a method of learning Bayesian network structure based on hybrid binary slap swarm-differential evolution algorithm was proposed.An adaptive scale factor was used to balance local and global search in the swarm grouping stage.The improved mutation operator and crossover operator were taken into salp search strategy and differential search strategy respectively to renew different subswarms in the update stage.Two-point mutation operator was adopted to improve the swarm’s diversity in the stage of merging of subswarms.The convergence analysis of the proposed algorithm demonstrates that best structure can be found through the iterative search of population.Experimental results show that the convergence accuracy and efficiency of the proposed algorithm are improved compared with other algorithms.     

一种基于改进教学优化的微弱信号检测方法

为了快速准确地检测混沌背景中的微弱信号,提高网络泛化能力,文中利用改进教学优化算法优化贝叶斯回声状态网络的模型参数,提出了一种改进教学优化的混沌背景中微弱信号检测方法。通过建立混沌序列单步预测模型,分析预测误差的幅值,检测混沌背景中微弱瞬态信号和周期信号。对Lorenz系统和实测的海杂波数据进行实验研究,验证预测模型的有效性,结果表明,贝叶斯回声状态网络模型的预测结果比支持向量机和径向基神经网络模型的均方根误差降低了2个数量级,缩短了预测时间,提高了预测精度和预测效率,能快速有效地检测混沌背景中微弱信号,且具有更低的门限。     

优化蚁群算法在网络知识路由系统中的应用

研究网络知识路由问题,提高网络资源搜索质量。针对传统方法在网络资源搜索过程中,存在搜索时间长,得不到最优解,导致搜索速度慢,效率低的问题。为了提高网络资源搜索效率,提出一种基于改进蚁群的路径搜索算法,在混合信息素更新策略,自适应挥发因子等方面进行改进,并设置了先行蚂蚁和后行蚂蚁。该方法有效地避免了蚁群搜索陷入局部最优,加快了收敛,提高了搜索效率。仿真结果表明,改进方法缩短了搜索时间,网络资源搜索效率明显提高,证明是一种有效的优化方法,能够在最短时间找到资源搜索的最优解,是解决网络资源搜索优化问题的有效算法。     

基于混合方式的贝叶斯网络结构学习

基于最大主子图分解技术和遗传算法,提出了一种混合方式的贝叶斯网络结构学习算法。该算法首先根据领域知识和观察数据构造网络的无向独立图,并对其进行最大主子图分解,再利用遗传算法学习每个子图的结构,同时进行合并修正得到最优的贝叶斯网络结构。分解过程将一个学习大网络问题转化为小子图的学习问题,降低了搜索空间。仿真结果表明,新算法的学习效果与运行效率均有明显提高。     

基于改进深度强化学习的虚拟网络功能部署优化算法

针对网络功能虚拟化/软件定义网络 (NFV/SDN)架构下,网络服务请求动态到达引起的服务功能链(SFC)部署优化问题,该文提出一种基于改进深度强化学习的虚拟网络功能(VNF)部署优化算法。首先,建立了马尔科夫决策过程 (MDP)的随机优化模型,完成SFC的在线部署以及资源的动态分配,该模型联合优化SFC部署成本和时延成本,同时受限于SFC的时延以及物理资源约束。其次,在VNF部署和资源分配的过程中,存在状态和动作空间过大,以及状态转移概率未知等问题,该文提出了一种基于深度强化学习的VNF智能部署算法,从而得到近似最优的VNF部署策略和资源分配策略。最后,针对深度强化学习代理通过ε贪婪策略进行动作探索和利用,造成算法收敛速度慢等问题,提出了一种基于值函数差异的动作探索和利用方法,并进一步采用双重经验回放池,解决经验样本利用率低的问题。仿真结果表示,该算法能够加快神经网络收敛速度,并且可以同时优化SFC部署成本和SFC端到端时延。     

道路交通网络节点分配优化策略研究进展

为了进一步提高城市道路交通网络的通行效率,粒子群优化和神经网络等多种智能优化算法受到越来越多的关注。近年来,深度学习技术的普及与应用大幅提升了城市交通网络的节点识别效率,而交通网络的节点调度又扩展了深度学习技术的应用。文中详细分析了交通节点调度所面临的关键问题,归纳并总结了相关网络节点分配的研究现状。在此基础上,深入研讨了城市交通网络节点调度与深度学习的应用前景,并对交通网络节点分配优化策略的未来研究方向进行了展望。     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。