基于改进云遗传算法的贝叶斯网络结构学习

论文摘要

贝叶斯网络(Bayesian Networks, BNs)用图形化的模型来表示变量间的概率分布,具有清晰的网络结构、灵活的推理能力、方便的决策机制以及有效的学习机制,已成为人工智能系统中不确定知识表达和数据分析、推理的有效工具。贝叶斯网络的学习包括结构学习和参数学习。参数学习在给定网络结构和数据下可以较为简单得到,而结构学习是一个NP难问题,因此寻求有效的结构学习方法和算法对于构建贝叶斯网络结构具有重要的意义。本文对贝叶斯网络结构性学习做了深入研究,在传统遗传算法的基础上,引入云模型自适应器、免疫原理、联姻策略等,针对贝叶斯网络结构特点,将改进的云自适应遗传算法用于贝叶斯网络结构学习,主要工作如下：首先,介绍贝叶斯网络的基本理论,对贝叶斯网络的理论框架展开综述。其次,详细介绍云模型的基本理论,结合云模型随机性和稳定倾向性的特点,重点研究基于云模型的云遗传算法,以及对云遗传算法中自适应调整交叉率和变异率的策略。然后,针对贝叶斯网络结构特点,对云自适应遗传算法的基本操作做出改进,引入多种群联姻并行进化策略,提高算法整体性能,加快算法全局寻优；同时结合免疫算子,对种群个体注射免疫疫苗,避免种群退化。最后,通过两个实验证明本文算法可以很好的用于贝叶斯网络的结构学习,并且具有较高的学习效率。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 贝叶斯网络的起源与发展
• 1.2 贝叶斯网的研究现状及研究意义
• 1.3 本文主要内容与组织
• 第二章 贝叶斯网络的基本理论
• 2.1 贝叶斯网络相关基础知识
• 2.1.1 概率论知识
• 2.1.2 信息论知识
• 2.2 贝叶斯网络定义及表示
• 2.3 贝叶斯网络学习
• 2.3.1 参数学习
• 2.3.2 结构学习
• 本章小结
• 第三章 云自适应遗传算法
• 3.1 遗传算法
• 3.1.1 遗传算法的基本原理
• 3.1.2 遗传算法的改进
• 3.2 云自适应遗传算法
• 3.2.1 云模型理论
• 3.2.2 云遗传算法的基本原理
• 3.2.3 云自适应遗传算法的基本原理
• 本章小结
• 第四章 基于改进云遗传算法的贝叶斯网络结构学习
• 4.1 评分函数的确定
• 4.2 云自适应遗传算法的改进
• 4.2.1 基本操作的改进
• 4.2.2 多种群联姻策略
• 4.2.3 免疫算子
• 4.2.4 本文算法的步骤
• 4.3 实验设计与结果分析
• 4.3.1 实验设计
• 4.3.2 实验结果及分析
• 本章小结
• 第五章 总结与展望
• 参考文献
• 作者在攻读硕士期间发表,收录及完成的论文
• 致谢