基于人工蜂群算法的贝叶斯网络结构学习研究

《基于人工蜂群算法的贝叶斯网络结构学习研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、代号10701学号1107122440分类号TP18密级公开题（中、英文）目基于人工蜂群算法的贝叶斯网络结构学习研究ResearchonBayesianNetworkStructureLearningBasedonArtificialBeeColonyAlgorithm作者姓名张平指导教师姓名、职务刘三阳教授学科门类理学学科、专业应用数学提交论文日期二○一四年三月万方数据万方数据西安电子科技大学学位论文独创性声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文

2、中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的

3、全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。（保密的论文在解密后遵守此规定）本学位论文属于保密，在年解密后适用本授权书。本人签名：导师签名：日期：日期：万方数据万方数据摘要摘要贝叶斯网络，也称为贝叶斯网、信念网络或因果概率网络，它将图模型理论与概率统计相结合，可以直观的表示随机变量间的依赖和独立关系。由于贝叶斯网络具有结构清晰，语义明确等特点，已成功应用于人工智能、机器学习、数据挖掘、生物信息学等多个领域。但是，仅仅依靠专家构建贝叶斯

4、网络十分困难，有时甚至是不可能的。因此,如何通过有效的算法从数据中学习贝叶斯网络成为研究的热点和难点。贝叶斯网络的学习主要包括结构学习和参数学习两部分，而网络参数可以通过网络结构和数据集确定，所以结构学习是贝叶斯网络学习的核心。首先，本文介绍了贝叶斯网络的相关理论知识，重点研究了贝叶斯网络结构学习的两类基本方法。其次，详细介绍了新型的元启发式算法-人工蜂群算法的基本理论和定义，针对基本人工蜂群算法存在收敛速度慢、易早熟等缺点,提出一种改进的人工蜂群算法。改进算法利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索,以加快算法的收敛速度

5、;同时,采用基于排序的选择概率代替直接依赖适应度的选择概率,维持种群的多样性,以避免算法出现早熟现象。最后，提出了基于人工蜂群算法的贝叶斯网络结构学习方法。该算法首先采用MWST算法产生网络的最大权重生成树，并通过三种操作算子形成初始种群；然后根据贝叶斯网络结构的特点设计了基于遗传算子的蜜源更新策略。仿真实验结果表明，新算法具有较强的结构学习能力。关键词：贝叶斯网络结构学习人工蜂群优化最大权重生成树万方数据万方数据AbstractAbstractBayesiannetworkisalsocalledbaysnet,beliefnetw

6、orkorcausalprobabilitynetwork.Itcombinesgraphtheoryandstatisticalmodelandcanintuitivelyindicatesdependenceandindependencerelationshipsbetweenrandomvariables.Bayesiannetworkhaswell-definedsemanticsandsolidtheoreticalfoundations.Ithasbeensuccessfullyappliedtoartificialint

7、elligence,machinelearning,datamining,bioinformatics,etc.Usually,constructingaBayesiannetworkonlydependonthedomainexpertisdifficult,evenimpossible.Therefore,thecentralissueanddifficultpointishowtolearnBayesiannetworksinthedatathroughtheefficientmethodsandalgorithm.Thelea

8、rningBayesiannetworksmainlyincludes:structuralandparameterlearning,parametercanbecurtainedthroughnetworksstruc