论文部分内容阅读
不确定性问题知识表示和推理是人工智能领域中一个研究热点之一。贝叶斯网模型是解决这类问题的一个重要而有效的模型，它是图论与概率论相结合的产物，具有深厚的理论基础、清晰直观的网络结构和有效灵活的推理能力等优点，所以倍受国内外学者们的关注。自从贝叶斯网被提出以来，许多研究者都在进行贝叶斯网结构学习的研究，并把它应用到医疗诊断、机器学习、数据挖掘等领域，取得了良好的效果。然而，其中一些方法在求解贝叶斯网结构时仍表现出求解精度不高、收敛速度慢等不足，而且随着科技的发展和贝叶斯网实际应用的日益广泛和深入，实际需求对贝叶斯网结构的质量也提出了更高的要求。因此，研究如何从数据集中准确、快速地得到贝叶斯网结构具有十分重要的理论意义和使用价值。
在研读国内外现有算法的基础上，针对其中一些学习贝叶斯网结构算法的不足，本文提出了两种优化方法，并用实验结果来说明其有效性。本文的主要研究工作如下：
首先，提出了基于链模型和粒子群优化的贝叶斯网结构学习算法C-PSO-B。该算法首先利用包含贝叶斯节点间因果关系信息的规则链模型来衡量拓扑序列的优劣，有利于发现高质量的拓扑序列；然后通过给多步式位置可选择更新的粒子群优化算法加上动态权重系数，平衡了全局搜索和局部搜索，提高了算法的搜索能力。在通用数据集上的实验表明，C-PSO-B算法不仅能获得更好的解，而且收敛速度也有明显的提高。
其次，提出了基于量子遗传算法的贝叶斯网结构学习算法QGA-B。该算法充分利用量子信息的丰富性和量子计算的并行性优势，设计出了基于量子染色体的拓扑序列的生成策略，这样不仅增加了搜索的效率，也为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，有效地增加了种群的多样性，提高了算法的搜索能力。实验表明，QGA-B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。
以上两种改进方法的提出，不仅丰富了贝叶斯网结构学习的研究，而且也推动了智能算法与量子计算的有机结合，提升了利用智能算法求解贝叶斯网结构的性能，为贝叶斯网广泛而深入的应用奠定了基础。