摘要: 贝叶斯网络是结合了图论和概率论的一种图模型，能直观地用图论解释数据项节点之间的依赖关系，善于解决不确定性知识的表达和推理问题，因此贝叶斯网络在人工智能、自动控制、机器学习等领域中发挥着越来越重要的作用。然而构造贝叶斯网络是一个复杂... 展开 贝叶斯网络是结合了图论和概率论的一种图模型，能直观地用图论解释数据项节点之间的依赖关系，善于解决不确定性知识的表达和推理问题，因此贝叶斯网络在人工智能、自动控制、机器学习等领域中发挥着越来越重要的作用。然而构造贝叶斯网络是一个复杂的过程，而且从数据集中学习得到贝叶斯网络是一个非确定性多项式难题，因此寻找有效算法从数据集中学习得到贝叶斯网络结构是贝叶斯网络的研究重点。 贝叶斯网络结构学习常用搜索算法主要是启发式搜索算法，如遗传算法，粒子群算法、蚁群算法、人工鱼群算法等。粒子群算法与人工鱼群算法是两类经典的群智能启发式算法。近年来这两种算法被研究学者成功地应用在贝叶斯网络结构学习中，本文根据人工鱼群算法和粒子群算法的特点，提出一种混合鱼群优化算法P-AFSA，并将该算法应用于贝叶斯网络结构学习中。具体工作如下： （1）介绍了贝叶斯网络的基础理论，分析了贝叶斯网络的研究现状，并重点介绍了贝叶斯网络结构学习，详细分析了基于评分搜索策略的结构学习方法的研究现状。 （2）简要介绍遗传鱼群算法在贝叶斯网络结构学习的应用，针对该算法在贝叶斯网络结构学习上准确度不高的问题，分析遗传鱼群算法搜索行为的局限性，将粒子群算法的个体记忆、交流意识引入鱼群算法的行为模式；同时引入优势遗传思想，最大限度地保留优势个体，形成混合鱼群优化算法P-AFSA。 （3）将混合鱼群优化算法P-AFSA应用于贝叶斯网络结构学习。首先利用互信息和最大生成树生成初始无向图；然后由无向图的边随机生成初始种群；根据粒子群算法中粒子对自身经验的认知意识和群体之间信息共享意识，设计了“回溯”、“协作”行为，扩充算法的行为模式，减小了算法搜索行为的盲目性，并设计了基于优势遗传算子的鱼个体位置的更新策略。选取本文P-AFSA算法与BPSO算法、GA-AFSA算法进行实验对比，实验结果表明本文P-AFSA算法学习的效果更好，有较高的准确性。 收起