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。     

基于改进粒子群优化算法的贝叶斯网络结构学习

认识和掌握贝叶斯网络架构是数据求索和知识创新范畴的主要探讨方式之一,当处在网络购架寻觅范围较广的条件下,过去的二值粒子组合改良计算方法时常表现出聚拢速率低,很可能滑入局部范围取优、认识和掌握精准度较低的劣势.在以往二值粒子组合改进计算方法的前提下,依托互信息粒子组合计算方法的初期化过程,减小计算方法的寻觅范围,并且设置新型的演变模型取代以往的演变方程,从而使改良后的计算方法拥有较大的求优功能.选取ASIA网络系统当作模仿样板,再和以往计算方法相比,最终说明改进计算方法可以利用不多的重复换代过程寻觅到极优的方程解,而且总体上不会增添计算过程的繁琐程度.     

基于微粒群优化的贝叶斯网络结构学习方法

建立了一种基于微粒群优化的贝叶斯网络结构学习方法,将贝叶斯网络的结构学习过程转化为对应邻接矩阵的评分寻优问题;将网络节点顺序和节点间因果关系的确定内化于评分寻优过程,避免了算法需要节点有序或事前排序的限制.建立了完整的0-1矩阵微粒群优化计算法则,在网络寻优过程中仅通过改变有向边的方向去除网络中出现的环路,以保证搜索过程中网络结构的完整性.通过ASIA网和CarStart网的数据实验证明了算法的有效性.     

一种基于离散粒子群优化的贝叶斯分类算法

通过分析现有的贝叶斯分类算法属性过程中存在的问题,对属性选择实质进行研究和抽象,提出了基于离散粒子群的贝叶斯分类算法,使用离散粒子群优化搜索完成其属性选择过程。算法使用一个搜索过程完成属性子集的选择,有效地避免了属性选择过程中的主观因素,实验结果表明该算法能够搜索出更有"价值"的属性子集,有更高的分类精确度。     

贝叶斯网络结构学习算法探析

贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法.近年来,贝叶斯网络逐渐成为国内外智能数据处理的研究热点之一,被广泛应用于专家系统、决策支持、模式识别、机器学习和数据挖掘等领域.本文在对贝叶斯网络全面概述的基础上,深入研究贝叶斯网络的基本原理、贝叶斯网络的典型推理和学习算法.     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

贝叶斯网络结构学习方法新探

从大型数据库中学习网络结构一直是贝叶斯网络学习的研究热点.针对此问题提出了一种基于预测能力的学习算法,通过预测能力建立并调整贝叶斯网络结构,把变量之间弧的存在性与方向有机地结合在一起。     

贝叶斯网络结构学习的限制型模拟退火方法

模拟退火方法学习贝叶斯网络结构是一种以搜索最高得分函数为原则的智能优化方法.提出一种学习贝叶斯网络结构的限制型模拟退火方法.在该方法中,首先通过求解无约束优化问题得到一个无向图,然后使用模拟退火方法进行边及边方向的确定.由于搜索空间的规模减小,该方法比直接使用模拟退火方法学习贝叶斯网络结构的效率要高.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

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.     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

基于粒子群优化算法的并行学习神经网络集成构造方法

为了提高神经网络集成中个体网络的差异性,并减少将集成用于预测时的计算量,本文结合粒子群优化算法和个体网络的并行学习机制,提出了一种基于粒子群优化的并行学习神经网络集成构造方法。实验表明,和传统的集成构造方法相比,该构造方法具有比较好的性能。     

基于粒子群优化算法的双代号网络进度计划图的绘制

为了解决双代号网络图绘制过程中布局优化比较困难、算法复杂的问题,将粒子群优化算法引入到双代号网络图的优化中．以工序交叉最少为自适应度函数,通过建立网络图布局优化模型,在确定结点x坐标后,优化结点y坐标的位置,实现双代号网络图绘制布局优化．基于此模型,用VC#.NET编制了相应的双代号网络绘制程序,并以实际工程对该算法进行了验证     

基于粒子群算法的学习路径推荐方法

智能训导系统（ITS）以提高学习者学习自主性,实现个性化的学习过程为目标．学习者的学习偏好根据学习者本身的属性,如学习目的,认知能力等变化．因此,为所有学生设计统一的学习路线已不能很好满足单个学习者的学习需要．首先将学习者进行特征聚类,然后将每个学习者作为一个粒子,将其在学习过程中的路径选择和评价值作为其空间代表值,使用粒子群算法进行个性化学习路径寻优,并通过实验证明其有效性．     

基于MMPC-FPSO 贝叶斯网络混合结构学习方法

针对贝叶斯网络结构学习的过程中网络结构规模随节点数增加呈指数增长,导致网络结构搜索空间增大,进而导致网络结构学习算法效率低下的问题,提出一种基于最大最小父子集合约束与萤火虫粒子群搜索算法的贝叶斯网络混合结构学习方法。首先,针对粒子群算法在解决贝叶斯网络结构学习过程中,随机初始化网络结构种群导致算法搜索效率低下,网络结构准确性低的问题提出一种基于改进的最大最小父子集合算法的种群约束方法。其次,针对传统的基于粒子群评分搜索方法速度慢,精度低,易陷入局部最优的问题,提出一种基于萤火虫算子的粒子寻优策略。最后,为了验证所提方法的正确性和优越性,将上述方法用于3种标准网络的结构学习。仿真结果表明:所提算法与传统的基于粒子群的结构学习方法相比,所得的贝叶斯信息准则评分与标准网络评分的差距分别缩小了68.7%、65.5%、34.1%。     

一种基于粒子群优化算法的神经网络训练方法

介绍了粒子群优化(PSO)算法的原理,研究了将PSO算法应用于神经网络训练的方法,给出了算法软件实现的基本流程,并对Iris分类问题做了仿真实验,通过与BP算法的比较,结果表明基于PSO的神经网络训练算法操作简单,易于实现,而且训练精度较高,有良好的收敛性.