基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

一种混合遗传禁忌搜索的模糊聚类算法

传统基于目标函数法的模糊聚类算法是一种迭代的"爬山"算法,容易陷入局部最优解.提出了基于遗传算法与禁忌搜索结合的模糊聚类算法,综合运用遗传算法的多出发点和禁忌搜索的记忆性来改善聚类的效果,并通过迭代的遗传禁忌搜索算法产生最优聚类中心,实验中分别通过人工数据和标准数据测试验证了该算法的有效性.     

贝叶斯网结构学习的研究现状及发展趋势

目前,在结构已知情况下,贝叶斯网的参数学习算法及数据完备时的贝叶斯网的结构学习算法比较成熟,但是从不完全数据中学习贝叶斯网结构比较困难;文章简要介绍前者,重点分析了在不完备数据条件下结构学习的难点,对现有的学习算法进行了深入的研究和比较,对该领域的研究趋势进行了展望。     

一种混合遗传禁忌搜索的模糊聚类算法

传统基于目标函数法的模糊聚类算法是一种迭代的“爬山”算法，容易陷入局部最优解．提出了基于遗传算法与禁忌搜索结合的模糊聚类算法，综合运用遗传算法的多出发点和禁忌搜索的记忆性来改善聚类的效果，并通过迭代的遗传禁忌搜索算法产生最优聚类中心，实验中分别通过人工数据和标准数据测试验证了该算法的有效性．     

基于禁忌搜索的混沌蚁群算法在SLAM数据关联中的应用

为解决SLAM的数据关联问题,提出了基于禁忌搜索的混沌蚁群算法,利用蚁群算法的正反馈和并行搜索能力构建初始解并进行优化.在全局信息素更新时加入混沌扰动,以跳出局部极值,利用禁忌搜索算法的特性,扩大解的搜索空间,得到全局最优解.在无人机SLAM仿真环境下进行试验,仿真结果表明该方法极大地提高了数据关联率,该算法是有效可行的.     

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.     

一种改进的人工免疫网络优化算法及其性能分析

基于人工免疫网络算法(aiNet),借鉴禁忌搜索算法的机制,提出一种禁忌人工免疫网络算法(TS-aiNet).在算法中引入禁忌表,禁忌那些在网络迭代中亲和度不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加一个记忆表,用于保存成熟的记忆细胞;重新定义了Gauss变异方式,保证多样化的有效搜索.利用Markov链证明了算法全局收敛性,分析了算法的复杂度,通过对多个典型系统仿真分析该方法的性能,并与克隆选择算法和aiNet算法进行比较研究.结果表明,该算法在多模态搜索空间中具有更好的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法.     

一种利用不可行解的贝叶斯网学习算法

现有的基于打分搜索的贝叶斯网学习方法都是利用满足有向无环图的可行解进行学习.在搜索过程中遇到不可行解时,这类算法简单地去除不可行解或将不可行解转化为可行解.然而,有的不可行解中往往蕴含着有价值的信息.本文提出一种新的贝叶斯网学习方法ISEC,同时利用可行解和不可行解学习贝叶斯网络,并提出针对不可行解的选择策略,在学习过程中可以有效地利用不可行解中的有用信息.实验结果表明,ISEC能够比仅利用可行解的方法更快地学习到更优的贝叶斯网.     

人工免疫网络算法的改进及免疫优化应用

基于人工免疫网络算法(aiNet)模型,借鉴禁忌搜索算法(TS)的思想,提出一种禁忌搜索与人工免疫的混合算法,即人工免疫网络算法(TS-aiNet).在算法中引入禁忌表,禁忌那些在网络迭代中亲和度连续不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加1个记忆表,用于保存成熟的记忆细胞;重新定义高斯变异方式,以保证多样化的有效搜索.利用Markov链证明算法全局收敛性,通过对多个典型系统测试函数的仿真实验定量分析该算法的性能,并与经典克隆选择算法和opt-aiNet算法进行比较研究,分析特征参数对算法性能的影响.实验结果表明,该算法在多模态搜索空间中具有更强的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法.     

用遗传-禁忌搜索混合算法求解组合投资问题

提出了一种基于遗传算法和禁忌搜索的混合算法,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子.遗传算法中变异过程解空间的搜索由禁忌搜索实现,并且用混合算法求解了概率准则意义下的组合证券投资模型.实例证明,遗传/禁忌混合算法有较强的爬山能力,较遗传算法有更高的计算效率,为组合证券投资者提供了一种高效的决策方法.     

爬山法与模式蚁群法混合的贝叶斯优化算法

针对传统贝叶斯优化算法进化效率低及收敛速度慢的情况,提出一种新型混合贝叶斯优化算法.该算法利用适应度遗传及个体的局部搜索方法,使种群个体趋向于全局最优解,提高了进化效率.为提高贝叶斯优化算法中贝叶斯网络结构学习的效率,提出一种爬山法和模式蚁群算法相结合的网络结构学习方法,同时对新型贝叶斯优化算法的收敛性进行了分析.利用典型的函数对提出的新型混合贝叶斯优化算法进行了仿真分析,证明了所提出的方法可以有效地加快算法的收敛速度和收敛精度.将该算法应用于目标分配问题中,仿真证明了所提算法的有效性和优越性.     

一种改进的人工免疫网络优化算法及其性能分析

基于人工免疫网络算法（aiNet）,借鉴禁忌搜索算法的机制,提出一种禁忌人工免疫网络算法（TS—aiNet）．在算法中引入禁忌表,禁忌那些在网络迭代中亲和度不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加一个记忆表,用于保存成熟的记忆细胞;重新定义了Gauss变异方式,保证多样化的有效搜索．利用Markov链证明了算法全局收敛性,分析了算法的复杂度,通过对多个典型系统仿真分析该方法的性能,并与克隆选择算法和aiNet算法进行比较研究．结果表明,该算法在多模态搜索空间中具有更好的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法．     

具有禁忌算子的遗传算法目标优化分配

针对地面防空作战中的多通道目标优化分配问题，给出了一种具有禁忌算子的混合遗传算法。该算法结合禁忌搜索算法和遗传算法二者的优点，既克服了禁忌算法全局搜索能力的不足，又提高了遗传算法的爬山能力，还解决了遗传算法容易陷入局部最优的问题，并使搜索过程具有记忆功能。仿真结果表明，该算法可有效给出求解多通道目标优化分配问题的满意解。     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

改进进化算法的贝叶斯网络结构学习及其应用

针对现有的基于进化算法(EA)的贝叶斯网络结构学习算法存在收敛速度慢、局部搜索能力差以及种群数目难以确定的问题,提出了一种基于改进EA的贝叶斯网络结构学习算法.借助最大支撑树(MWST)得到种群中节点的父节点数目上限,设计了计算函数来估计参与进化的种群数目.为了提高算法的局部搜索能力,设计了个体变异函数来增加种群多样性.利用条件独立性获得初始结构来进一步限制模型搜索空间,提高算法的运行效率.实验结果表明:与经典的EA和最大最小爬山(MMHC)算法对比,本文提出的MWST-EA提高了贝叶斯网络(BN)模型的学习效率,并且能够得到较高的准确率.将MWST-EA用于UCI数据库中糖尿病数据集上,与支持向量机(SVM)、MMHC方法相比,识别率分别提高了1.54％和11.15％,具有良好的应用价值.     

一种基于改进蚁群优化算法的软硬件划分方法

软硬件划分问题是嵌入式系统的软硬件协同设计中重要的问题之一﹒针对该问题,提出一种基于改进蚁群优化算法的软硬件划分方法﹒通过禁忌搜索算法改进蚁群算法的局部搜索过程,利用禁忌表记录近期的搜索过程,通过禁忌表比对阻止算法重复进入,提高了算法的最优解搜索效率,加快了算法的执行速度﹒实验数据证明改进的蚁群优化算法能提高45%左右的工作效率,同时验证了该算法能够有效地解决软硬件划分问题,提高软硬件协同设计的效率﹒     

基于禁忌搜索的图像聚类新方法

禁忌搜索(TS)是一种具有记忆功能算法,是在局部邻域搜索的基础上添加禁忌表和相应规则,在一段时间内该算法对那些最近搜寻到的局部最优个体不再或有选择地搜索,能够有效地避免重复搜索,降低搜索的时间复杂度,又能够有效地跳出局部最优,并且在搜索过程中始终保持对已搜索到的全局最优个体的记忆.本文将禁忌搜索算法应用在数字图像聚类问题中,通过多次实验证明禁忌搜索算法是能够很好的将数字图像中的样品进行有效的聚类,聚类正确率达到98％.     

一种利用不可行解的贝叶斯网学习算

现有的基于打分搜索的贝叶斯网学习方法都是利用满足有向无环图的可行解进行学习.在搜索过程中遇到不可行解时,这类算法简单地去除不可行解或将不可行解转化为可行解.然而,有的不可行解中往往蕴含着有价值的信息.本文提出一种新的贝叶斯网学习方法ISEC,同时利用可行解和不可行解学习贝叶斯网络,并提出针对不可行解的选择策略,在学习过程中可以有效地利用不可行解中的有用信息.实验结果表明,ISEC能够比仅利用可行解的方法更快地学习到更优的贝叶斯网.     

逆演绎的学习算法研究

针对传统归纳学习的困难,提出一种新的逆演绎的学习算法.从学习任务、模式声明和启发信息角度出发,研究逆演绎学习算法相关的逆演绎规则、格结构和状态算子等核心问题,并利用逆演绎的学习算法实现了学习推理系统.该算法包括最特殊子句构造、状态空间搜索和覆盖集计算3个模块;以最泛化子句为顶结点、最特殊子句为底结点、其他为中间结点,通过状态算子构建格结构的状态空间,在压缩引导的启发信息下,类A＊算法完成状态空间搜索,得到压缩最大的正例结点或反例结点;再利用覆盖集算法不断进行覆盖正例去除反例的操作,计算出经剪枝和压缩的最优子句;重复计算的最大压缩率的假设,便是搜索出的关系,也是需要学习的结果.算法测试结果表明,逆演绎的学习算法可产生泛化能力很强的规则,是可行及有效的.