基于免疫进化算法的Bayesian网结构学习

利用免疫进化算法（IEA）, 借助遗传和接种疫苗操作将基于打分和基于约束的两类Bayesian网结构学习方法有机地结合在一起, 提出一种新的Bayesian网结构学习方法. 通过与基于遗传算法的Bayesian网结构学习方法EGA(Expectation & Genetic Algorithm）的对比试验表明, 所提出算法的收敛速度更快、 学习得到网络的精度更高.     

基于定向突变的自适应并行免疫算法

针对克隆选择算法收敛速度较慢的问题,对算法策略进行研究,提出了一种基于定向突变的自适应并行免疫算法(APIA)。该算法采用自适应并行搜索策略,在记忆库中引入定向突变算子,增强算法的局部定向搜索能力,并改善算法早熟的问题。同时算法还改进了超变异算子,以提高其运行效率。仿真实验结果表明:该算法比克隆选择算法和传统的遗传算法有更好的寻优能力,有效地提高了收敛速度,缩短了搜索时间。     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

基于改进CGA的配电网重构

针对遗传算法易早熟收敛和易产生大量不可行解的问题,提出了一种基于改进的克隆遗传算法(CGA)的配电网重构方法.该方法对克隆遗传算法进行了3点改进:通过简化网络结构,缩短了算法中染色体的长度;采用基于环路的编码方式,避免了产生大量不可行解;改进克隆遗传算法的选择算子、基因移位和突变操作,克服了早熟收敛的问题,提高了算法的收敛速度.本文以网损最小为优化目标对算例进行了重构,同时与基于遗传算法及粒子群算法的配电网重构进行了比较,算例结果表明:改进的CGA具有较高的寻优性能,应用于配电网中可以起到减小网损的作用.     

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

LHS抽样遗传算法

文献研究了遗传算法的运行机理及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则是：导向以高适应度模式为祖先的＂家族＂方向。以此结论为基础,利用拉丁超立方体抽样（LHS）的理论和方法,对遗传算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为LHS遗传算法。将LHS遗传算法应用于求解优化问题,并与简单遗传算法和文献中的佳点集遗传算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的收敛速度和精度,而且避免了其它方法常有的早期收敛的现象。     

混合遗传算法在压水堆换料优化中的应用

针对遗传算法和禁忌搜索算法的优点与缺陷，提出了遗传算法与禁忌搜索算法相结合的混合优化算法．该混合优化算法结合了遗传算法在全局搜索上的优点和禁忌搜索算法在局部搜索方面的优点，与标准遗传算法相比，在搜索能力和收敛速度上都有较大提高．为验证其优越性，使用国际原子能机构IAEA公布的Kalinin5核电厂WWER-1000型堆芯第二循环换料基准题以及秦山第六循环堆芯换料问题进行了优化计算比较与校验．结果表明，遗传算法和禁忌搜索相结合的混合优化算法比单独使用遗传算法能够获得更好的堆芯布置方案，获得了更大的适应值，循环寿期增加了20d，并且收敛速度也有所提高．     

采用改进遗传算法的配电网无功优化

针对常规遗传算法收敛速度慢、易早熟等缺陷,提出一种改进的遗传算法。该算法结合电力系统无功优化特点,对传统二进制编码、初始化种群、交叉、变异及适应度函数等进行改进,采用IEEE14和IEEE30节点系统对所提出的算法性能和求解精度进行了测试。结果表明,该模型和算法能够有效地抑制早熟现象,降低电力系统有功网损。     

基于马尔可夫毯的贝叶斯网络结构学习算法

贝叶斯网络图结构的自动学习是机器学习中的一个挑战，针对传统算法学习效率低、难于去除冗余边及确定结构中边的方向等问题，提出了一种基于马尔可夫毯的贝叶斯网络结构学习算法.该算法改进了经典的马尔可夫毯学习算法，使之减少条件独立检验次数，并在后续确定有向结构方面更适应贝叶斯网络结构学习，同时给出了两种有向边方向确定的一般性解决方案，有效提高了学习算法的学习效率.最后建立了基于贝叶斯网络的互联云QoE评价模型，并进行了仿真实验，结果表明改进后的学习算法在预测准确率、学习效率上均优于传统算法.     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

一种快速收敛的改进贝叶斯优化算法

针对贝叶斯优化算法(BOA)中学习贝叶斯网络结构时间复杂度较高的问题,提出了一种可以快速收敛的基于K2的贝叶斯优化算法(K2-BOA).为了提升收敛速度,在学习贝叶斯网络结构的步骤中进行了2处改进:首先,随机生成n个变量的拓扑排序,加大了算法的随机性;其次,在排序的基础上利用K2算法学习贝叶斯网络结构,减少了整个算法的时间复杂度.针对3个标准Benchmark函数的仿真实验表明:采用K2-BOA算法和BOA算法解决简单分解函数问题时,寻找到最优值的适应度函数评价次数几乎相同,但是每次迭代K2-BOA算法运行速度提升明显;当解决比较复杂的6阶双极欺骗函数问题时,K2-BOA算法无论是运行时间还是适应度函数评价次数,都远小于BOA算法.     

贝叶斯分类器集成的增量学习方法

针对基于决策树和神经网络的增量学习算法的过量匹配和分类精度有限的缺点,提出了一种基于贝叶斯分类器集成的增量学习方法.综合朴素贝叶斯的增量分类和集成的增量学习方法,采用随机属性选择训练初始SBC(simple Bayesian classifiers),通过判断是否带有类别标签,将增量样本自动分组,并利用遗传算法对结果进行优化.实验结果表明,贝叶斯分类器集成的增量学习方法有效.     

学习贝叶斯网络结构的混合粒子群算法

 针对直接使用粒子群算法进行结构学习效率较低的缺陷,基于无约束优化,提出一种贝叶斯网络结构学习的混合粒子群算法。该算法首先构造并求解一无约束优化问题,其最优解对应的无向图中的边可为结构学习提供一搜索范围,缩小粒子群算法的搜索空间,然后在缩小的空间中完成对贝叶斯网络的结构学习,从而提高了粒子群算法的学习效率。仿真试验结果表明,该混合粒子群算法可以快速、准确地学习到最优贝叶斯网络结构。     

基于蜂群算法和遗传算法的贝叶斯网络结构混合学习方法

变量之间的关系对解释数据具有重要作用,而贝叶斯网络恰恰是表示变量之间关系的重要工具.针对贝叶斯网络结构学习问题,基于蜂群算法(ABC)和遗传算法(GA),提出一个新的混合型算法(ABC-GA).由于ABC-GA融合了ABC算法和GA算法的长处,所以可以弥补单独使用任一算法的缺陷.数值试验结果表明:ABCGA算法具有较高的计算效率和计算精度.     

大学课程贝叶斯网络模型研究

提出一种大学课程关系的贝叶斯网络构造方法，以学生课程考试成绩作为数据样本，以基于信息论的结构学习算法构造无向图，最后以课程开设的先后顺序给边定向，得到课程依赖关系的贝叶斯网络，并以数理统计的方法学习其条件概率表。该模型直观的反映了课程间的依赖联系，而条件概率表则量化了联系的紧密程度，对大学课程的设置和编排具有指导作用，对学生成绩具有预测能力。     

免疫遗传算法学习贝叶斯网等价类

针对遗传算法学习贝叶斯网存在的问题, 提出一种基于骨架搜索的免疫遗传算法学习贝叶斯网等价类, 该方法综合了基于约束和打分搜索的方法, 可以在遗传过程中避免产生非法结构, 并从骨架空间映射到等价类空间进行搜索. 实验数据表明, 免疫算子的使用可有效缩小搜索空间规模, 加快收敛速度, 提高执行效率.     

具有缺失数据的贝叶斯网络结构学习算法研究

基于随机搜索思想提出了一种具有丢失数据的贝叶斯网络结构学习算法BPMHS,该算法同时进行多个Metrpolis—Hasting抽样,构建多条并行的收敛于Boltzmann分布的马尔可夫链．算法首先利用节点之间的互信息和EM算法对网络结构和丢失数据进行初始化;然后将每一次迭代中所有的MHS看成一个总体,并据此得到产生下一代个体的建议分布．算法通过使初始值和建议分布尽可能接近其平稳分布,有效地提高收敛速度．用于ASLA的宴验结果柏．,袷证了簋法具有良捍的学习精序舞口学习特奎．