脑效应连接网络学习是人脑连接组研究的一个重要研究课题,准确地识别脑效应连接网络对于脑疾病的诊断以及病理研究意义重大。到目前为止,科研人员已经提出了多种识别脑效应连接网络的方法。其中,基于贝叶斯网(Bayesian Network,BN)的学习方法采用无监督的数据驱动方法构建脑效应连接网络,已经成为一个新的研究热点,但是该类方法存在易陷入局部最优,方向识别准确率低等问题。为了克服上述缺陷,已有学者将全局随机搜索的群智能方法与贝叶斯网模型学习相结合来完成脑效应连接网络的学习,取得了不错的效果,得到了质量较高的脑效应连接网络。本课题基于萤火虫算法(Firefly Algorithm,FA)的思想开展以下两个方面的研究工作:(1)提出了一种带有繁殖机制的脑效应连接网络萤火虫学习方法(Firefly algorithm with reproductive mechanism for learning brain effective connectivity network,FAR-EC),新方法主要是通过萤火虫种群的迭代寻优机制,搜索最佳的脑效应连接网络结构。首先,将每个萤火虫个体初始化为仅含有少数条边的脑效应连接网络结构;然后,每个萤火虫个体通过定向移动以及随机移动操作逐步完成脑效应连接网络的构建;接着,每隔一定代数,萤火虫种群执行一次繁殖过程来对种群进行进一步优化。最后,将最优个体所代表的网络结构作为学习到的脑效应连接网络。在模拟数据上的实验验证了繁殖机制的有效性,且与其它方法相比,新方法能够获得质量更高的脑效应连接网络。在真实数据上的实验表明新方法具有较好的实用性。(2)针对FAR-EC参数多、时间复杂度高等不足,提出了一种双萤火虫种群并行搜索的脑效应连接网络学习方法(Parallel searching of double firefly populations for learning brain effective connectivity network,DFA-EC),新方法利用两个萤火虫种群寻优来完成脑效应连接网络的学习,首先将萤火虫种群划分为精英和普通种群。然后,通过精英种群的定向移动和普通种群的随机移动分别逐步构建脑效应连接网络;在网络构建过程中,利用种群迁移操作动态的调整精英种群和普通种群的种群规模,以实现两种群之间的信息交流。接着,每隔一定代数,使用一种基于多样性度量的种群自适应更新机制,动态地进行两个种群的更新。最后,将最优个体所代表的网络结构作为学习到的脑效应连接网络。在模拟数据上的实验结果表明,与FAR-EC相比,DFA-EC具有更快的求解速度,更好的求解质量,且与多个经典方法相比,DFA-EC算法能够得到较优的脑效应连接网络,在识别总体性能上具有明显优势。在真实数据上的实验结果表明,DFA-EC在AD病的病理研究中具有潜在的应用价值。