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.     

江汉平原堤防存在的问题与防洪减灾措施

根据多年在湖北省堤防工作中遇到的实际情况，分析了荆江堤防和江汉中下游堤防存在的六大问题－堤防防洪标准偏低、湖泊调蓄能力降低、堤防安全性系数不高、沿堤老化的排水设施（涵闸、泵站）病险多、河道防洪系统存在缺陷、防汛抢险的通道局部不畅；提出了防洪减灾的措施－堤防加固、河道整治、水库调蓄、易发生洪水的低洼区及湖区建设规划、城市防洪以及非工程防洪措施等。     

基于改进BIC评分的贝叶斯网络结构学习

引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。     

基于单调性约束的离散贝叶斯网络参数学习

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。     

一种基于不确定信息的UCAV目标分配方法

在UCAV(无人战斗机)编队任务规划中,UCAV的任务分配是一个重要研究课题。针对不确定信息条件下的UCAV任务分配问题,建立了基于不确定信息条件下的UCAV任务分配模型,通过SMAA(随机多属性可接受性分析方法)方法,给出了基于SMAA的不确定信息UCAV任务分配方法,并通过仿真实例说明了基于SMAA的不确定信息UCAV任务分配方法的有效性和适用性。