基于遗传禁忌算法的贝叶斯网边定向方法

针对贝叶斯网边定向过程中存在的问题,提出一种基于遗传禁忌算法的贝叶斯网边定向方法,该方法将禁忌搜索的＂多样化＂引入遗传算法的交叉算子和变异算子中,生成禁忌交叉算子和禁忌变异算子,并对航班离港延误骨架模型进行定向,仿真实验结果表明,该方法是有效可行的。     

基于双尺度约束模型的BN结构自适应学习算法

在无先验信息的情况下, 贝叶斯网络(Bayesian network, BN)结构搜索空间的规模随节点数目增加呈指数级增长, 造成BN结构学习难度急剧增加. 针对该问题, 提出基于双尺度约束模型的BN结构自适应学习算法. 该算法利用最大互信息和条件独立性测试构建大尺度约束模型, 完成BN结构搜索空间的初始化. 在此基础上设计改进遗传算法, 在结构迭代优化过程中引入小尺度约束模型, 实现结构搜索空间小尺度动态缩放. 同时, 在改进遗传算法中构建变异概率自适应调节函数, 以降低结构学习过程陷入局部最优解的概率. 仿真结果表明, 提出的基于双尺度约束模型的BN结构自适应学习算法能够在无先验信息的情况下保证BN结构学习的精度和迭代寻优的收敛速度.     

一般贝叶斯网络分类器及其学习算法

贝叶斯网络（BN）应用于分类应用时对目标变量预测有直接贡献的局部模型称作一般贝叶斯网络分类器（GBNC）。推导GBNC的传统途径是先学习完整的BN,而现有推导BN结构的算法限制了应用规模。为了避免学习全局BN,提出仅执行局部搜索的结构学习算法IPC-GBNC,它以目标变量节点为中心执行广度优先搜索,且将搜索深度控制在不超过2层。理论上可证明算法IPC-GBNC是正确的,而基于仿真和真实数据的实验进一步验证了其学习效果和效率的优势：（1）可输出和执行全局搜索的PC算法相同甚至更高质量的结构;（2）较全局搜索消耗少得多的计算量;（3）同时实现了降维（类似决策树学习算法）。相比于绝大多数经典分类器,GBNC的分类性能相当,但兼具直观、紧凑表达和强大推理的能力（且支持不完整观测值）。     

基于贝叶斯网络的航班延误波及研究

在民航业内,航班延误波及问题一直是影响航班延误的一个主要因素。基于贝叶斯网络（BN）,讨论了在繁忙的枢纽机场,其航班延误的波及问题。在实验中使用的数据,皆来自国内某大型航空公司的真实记录。通过建立延误波及模型和贝叶斯网络模型,探讨了相关航班中,进港延误和航班取消对离港延误的影响。学习的结果显示了进港延误（Arrival-delay）对离港延误（Departure-Delay）的波及现象的存在;以及波及现象在不同情况下的程度不同;相应的可采取的应对方式亦不相同。其中航班取消是一种釜底抽薪的应对方法,可以在一定程度上削弱上述条件下的延误波及,其削弱程度与航班取消的架次有关。基于该研究可以在机场发生大规模延误时,提供一个基本的参考。     

基于量子遗传算法的贝叶斯网络结构学习

将量子遗传算法用于贝叶斯网络(BN)的结构学习,对BN结构进行量子编码得到染色体,通过量子变异操作使其作为一个完备的独立解空间进行演化,可快速搜索到全局最优的网络结构。实验结果表明,量子遗传算法用于BN结构学习,可取得很好的效果。     

基于贝叶斯网络的航班保障服务时间动态估计

针对航班保障服务时间估计的问题,考虑到航班保障服务流程的特殊性、复杂性以及影响因素的不确定性,提出了一种基于贝叶斯网络（BN）的航班保障服务时间估计模型。该模型把航空领域的专家知识与历史数据的机器学习相结合,使用贝叶斯网络的增量学习特性动态地调整BN模型,使其适应新的变化,进而不断更新航班保障服务时间的估计值。使用国内某大型枢纽机场信息系统内提取的数据,通过期望最大化（EM）方法对模型进行训练,得到了测试结果。实验结果分析与模型评价表明,所提方法能有效估计航班保障服务时间且具有较高的准确度。敏感性分析表明,航班到达时段的航班密度对航班保障服务时间影响最强。     

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.     

基于BIC测度和混合遗传算法的BNC结构学习

贝叶斯网络分类器（BNC）结构学习是一个NP难题。贪婪搜索（GS）算法是一种有效且准确性较高的结构学习算法，但贪婪搜索算法很容易陷人局部最优。标准遗传算法是一种全局搜索优化算法，它通过模拟生物种群的进化过程，得到全局最优解。但就其个体而言，个体局部解的质量无法保证，不具备局部寻优的能力。提出了将两种算法相结合，以贝叶斯信息标准（BIC）测度为评价函数，得到一种混合遗传算法，实现了它们的优势互补。实验表明：该算法优于单独利用GS算法进行Bayesian网络结构学习，从而说明该算法的正确性和有效性。     

基于BIC测度和遗传算法的TANC结构学习

树扩展朴素贝叶斯分类器（TANC）是实用性较强的一种分类器，其性能优于朴素贝叶斯分类器。现有的TANC结构学习算法有基于互信息测度的相关性分析方法和贝叶斯信息测度（BIC）的搜索打分方法。将遗传算法引入TANC结构学习，用BIC作为评价函数，提出了基于BIC测度和遗传算法的TANC结构学习算法GA—TANC，并以此构建分类器，用分类准确率衡量算法的性能。实验结果表明，GA—TANC算法有更高的分类准确率，从而说明GA—TANC结构学习算法是准确有效的。     

改进免疫遗传算法的篦冷机二次风温故障诊断

针对遗传算法学习贝叶斯结构时局部寻优能力差的问题, 本文提出一种改进的免疫遗传算法(IIGA)学习贝 叶斯结构. 首先利用最大支撑树与评分函数构建两个初始种群, 然后在种群内部引入改进免疫算子与自动交叉变 异算子, 在种群之间引入改进的联姻策略与师生交流机制, 最后通过迭代搜索到最优贝叶斯结构. 在标准网络中与 遗传算法相比, 提升了遗传算法的局部寻优能力. 利用IIGA算法得到篦冷机水泥熟料换热工艺参数的结构, 并以此 结构为基础进行参数学习与故障推理, 最终得到二次风温的故障诊断模型, 对节约燃煤, 保护环境具有一定实际意 义.     

基于进化MCMC的DBN学习算法

提出利用进化MCMC算法进行动态贝叶斯网络(DBN)学习的方法。在数据缺省情况下利用EM算法进行贝叶斯网络参数学习,结构学习部分生成多条备选的贝叶斯网络染色体,对染色体进行变异操作和交叉操作,在遗传操作中根据温度参数和贝叶斯网络及贝叶斯信息准则来构造MCMC函数,并利用MCMC函数进行贝叶斯网络学习。每一代进化后,将贝叶斯信息评分最大的贝叶斯网络作为结构学习的结果。实验结果验证了该方法性能的稳定性。     

有时间窗约束车辆路径问题的改进遗传算法

将遗传算法与禁忌搜索结合起来,设计了一种改进的遗传算法求解有时间窗约束车辆路径问题。采用启发式插入算法产生较优良的遗传操作初始种群,通过改进的逆转变异算子更多继承父代的优良性能,以提高遗传算法的计算效率。引入海明距评估遗传进化中种群的多样性。当种群多样性低到一定程度时转入禁忌搜索,以避免遗传算法早熟的缺陷,最终实现全局优化。通过算例验证了该算法的优越性。     

基于小生境遗传算法的排课问题研究

建立排课问题的数学优化模型,构建其基本求解框架,引入遗传算法并设计多种改进方案,包括新的二进制编码方案、初始种群生成方案、适应度函数设计方案、小生境策略、自适应交叉概率和自适应变异概率设计方案.仿真结果表明,该算法能够满足排课问题的多重约束条件,更有效地解决排课问题.     

基于TS-GA的LS-SVM参数优选?

将禁忌搜索和遗传算法相结合,提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索,使用禁忌搜索进行局部寻优,由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验,结果表明,该方法能使LS-SVM模型具有较好的泛化能力,模型精度满足工艺要求。     

基于群体优势遗传算法的高校排课问题研究

深入分析了高校排课问题,建立了高校排课问题的数学优化模型,构建了基本求解框架。针对高校排课问题的特点,引入遗传算法来加以解决,设计了多种改进方案：新的二进制编码方案、初始种群生成方案、适应度函数设计方案、群体优势策略、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能更有效地解决高校排课问题。     

一种新的应用于文本特征子集优化的GATS算法

针对文本分类中特征子集优化问题,将禁忌搜索算法引入到遗传算法中对遗传算法的核心算子——交叉算子进行改进形成禁忌交叉算子,改进后的算法称为GATS（遗传禁忌搜索算法）,并将其应用在文本分类中来实现空间降维。实验证明,应用此方法进行文本特征项的选取不仅能够保持GA和TS算法本身的优点,还能在一定程度上提高文本分类的准确率。     

采用新型编码GA的高校排课问题仿真研究

深入分析了高校排课问题,建立了它的数学优化模型,构建了该问题的基本求解框架。针对高校排课问题的特点,引入遗传算法来进行仿真研究,设计了多种改进方案,包括：三维编码方案、初始种群生成方案、适应度函数设计方案、自适应交叉概率和自适应变异概率设计方案。仿真结果表明该算法能够满足高校排课问题的多重约束条件,能有效地解决高校排课问题。     

水下机器人软件可靠性及故障诊断方法研究

针对于智能水下机器人在软件系统故障诊断过程中广泛存在的不确定性和复杂关联性,采用改进的软件FMEA方法,对AUV智能规划决策控制系统进行了可靠性分析和研究,在总结了AUV主要软件故障模式的基础上,提出了一种基于FMEA的三层贝叶斯网络诊断模型。通过贝叶斯网络的推理机制,分别对单一故障和复合故障进行了推理实验。实验结果表明,采用上述方法能有效地提高水下机器人系统软件可靠性以及故障诊断能力。     

利用多群交叉变异人工鱼群算法生成分类规则

在基本人工鱼群算法的基础之上构建了用于解决连续变量空间分类规则提取的多群体人工鱼群算法,根据分类规则提取问题的特性设计了人工鱼的编码规则,并在此编码基础上定义了进行规则评价的适应值函数以及相关状态更新公式。为克服人工鱼群算法易陷入局部最优解的缺陷,引入了遗传算法中的交叉变异思想,设计了基于人工鱼的交叉及变异算子,提出了利用多种群交叉变异人工鱼群算法生成分类规则的算法思想。利用Iris和Wine数据集作为测试数据,结果表明：（1）该算法能够快速生成精度较高的分类规则;（2）在收敛效率及规则精度上全面优于基本多群体人工鱼群算法,并达到了多群体微粒群算法的性能水平。     

基于复合神经网络的学习风格动态分析与研究

近年随着慕课（MOOC）等新兴教育教学手段的快速发展,大量的学习者学习行为可以被系统所记录和分析,从而为个性化教学奠定了重要基础。在Felder-Silverman学习风格模型的理论基础上,通过引入智能分析算法动态地分析和识别学习者学习风格,构建了一套融合了卷积神经网络和循环神经网络的“识别-推理”复合模型,通过学习者的线上学习行为、社区交互行为、学习内容浏览行为、点击拖动行为等学习过程识别其学习行为特征,并使用基于门控循环单元（Gated Recurrent Unit,GRU）的循环神经网络处理和预测其可能的学习风格及对学习内容形式的偏好,以更高效地为学习者提供适应于其学习风格的学习内容和路径,优化学习体验,为大规模、个性化和高质量的下一代学习平台提供技术支撑。