一种基于遗传算法的贝叶斯网络结构学习的方法及系统技术方案

本发明专利技术公开了一种基于遗传算法的贝叶斯网络结构学习的方法及系统，属于信息处理及人工智能技术领域。本发明专利技术方法，包括：针对目标贝叶斯网络，初始化学习全阶段的参数，所述参数包括：交叉率、变异率及允许的最大迭代次数；确定参数之间的互信息，对互信息采用MWST算法计算，生成初始的无向图，并根据无向图生成初始种群X；判断初始种群X的当前迭代次数，若迭代次数小于允许的最大迭代次数；生成新生个体V

【技术实现步骤摘要】
一种基于遗传算法的贝叶斯网络结构学习的方法及系统


[0001]本专利技术涉及信息处理及人工智能
，并且更具体地，涉及一种基于遗传算法的贝叶斯网络结构学习的方法及系统。

技术介绍

[0002]贝叶斯网络作为一种有效的工具，经常用于处理人工智能领域的不确定性问题。其用图论的方式解释问题结构，按照概率论的原则对问题进行分析。贝叶斯网络结构学习，即从大量的样本数据或应用领域中构造正确的贝叶斯网络结构，主要包括参数学习和结构学习两类方法。其中，结构学习比较复杂，对于给定的数据集，网络结构模型空间的规模可能随着网络节点个数的增加而呈指数增长。
[0003]常用的结构学习方法主要有基于约束的方法和基于搜索评分的方法。其中，基于约束的方法学习速度快，但此类方法对计算过程中产生的误差非常敏感，对训练数据集的数量要求较高。基于评分搜索的方法是一种统计驱动的方法，常见协同进化遗传算法学习贝叶斯网络结构，该类方法学习过程中需要较大的搜索空间，收敛速度慢且对计算机的性能要求高。近年来，上述两类方法优点的混合网络结构学习方法成为新的研究热点。但此类方法大多数收敛较慢且有明显的错误边，在数据量不是很大的情况下结构学习精度不足。

技术实现思路

[0004]针对上述问题，本专利技术一种基于遗传算法的贝叶斯网络结构学习的方法，包括：
[0005]针对目标贝叶斯网络，初始化学习全阶段的参数，所述参数包括：交叉率、变异率及允许的最大迭代次数；
[0006]确定参数之间的互信息，对互信息采用MWST算法计算，生成初始的无向图，并根据无向图生成初始种群X；
[0007]判断初始种群X的当前迭代次数，若迭代次数小于允许的最大迭代次数；
[0008]针对初始种群X中的个体X
k
，对个体X
k
产生的变异率P
m
进行自身变异行为；对个体X
k
的适应度进行排序，并生成适应度集合，确定初始种群X的平均适应度若个体X
k
的适应度值低于平均适应度则从适应度集合中选择高于均适应度的适应度中选择随机匹配个体X
choice
，以交叉率P
c1
对随机匹配个体X
choice
进行交叉行为，生成新生个体V
i
；若个体X
k
的适应度高于平均适应度则从适应度集合中选择低于均适应度的适应度中选择随机匹配个体X
choice
，以交叉率P
c1
对随机匹配个体X
choice
进行交叉行为，生成新生个体V
i
；
[0009]若新生个体V
i
合法且适应度优于个体X
k
的适应度，则使用新生个体V
i
代替个体X
k
，并生成初始种群最大适应度和最小适应度间的随机值f
′
，从初始种群中选择适应度最接近随机值f
′
的个体与最优个体以交叉率P
c2
进行交叉，生成新的个体；
[0010]对生成的新的个体代替初始种群中最差的个体，对初始种群进行进化；进化完成后，若输出最高得分值，则生成最优的贝叶斯网络。
[0011]可选的，变异行为对初始种群中的所有个体进行；
[0012]所述变异行为使用遗传算法的变异算子进行变异行为，变异模型如下：
[0013][0014]P
m
由云自适应算法产生的，f为个体的适应度，f
max
为初始种群最优个体适应度，为初始种群的平均适应度；
[0015]ormrnd(E
n
,H
c
)为以E
n
为期望及以H
c
为标准差的正态分布而确定的随机数；
[0016]E
n
为影响云的陡峭程度；H
c
决定云滴的离散程度；c1、c2为控制系数，c1∈(2.5,3.0)，c2∈(5,15)；
[0017]所述P
m
取值，根据如下模型进行取值，模型如下：
[0018][0019]其中k1、k2为常数，k1、k2∈(0,1)。
[0020]可选的，交叉行为的过程如下：
[0021]对初始种群中所有个体进行适应度排序，并计算初始种群个体的平均适应度将个体适应度高于的加入集合better，适应度低于的加入集合worse；
[0022]对于个体X
k
进行判断，若个体属于集合better，将从worse集合中随机匹配一个个体X
choice
；若个体属于集合worse，则从集合better中随机匹配一个个体X
choice
，并确定如下模型：
[0023]V
i
(j)＝X
choice
(j)+rand(0，1)[X
choice
(j)
‑
X
k
(j)][0024]为模型确定搜索方程ABC/choice；
[0025]使用模型及搜索方程ABC/choice，针对个体X
k
与随机匹配的个体X
choice
以交叉概率P
c1
进行交叉，且交叉率设定为0.1～0.3。
[0026]可选的，判断初始种群X的当前迭代次数，若迭代次数大于允许的最大迭代次数，再次初始化初始种群的参数。
[0027]可选的，进化完成后，判断初始种群的迭代次数是否达到允许的最大迭代次数，若达到则输出最高得分值。
[0028]本专利技术还提出了一种基于遗传算法的贝叶斯网络结构学习的系统，包括：
[0029]初始化单元，针对目标贝叶斯网络，初始化学习全阶段的参数，所述参数包括：交叉率、变异率及允许的最大迭代次数；
[0030]种群生成单元，确定参数之间的互信息，对互信息采用MWST算法计算，生成初始的无向图，并根据无向图生成初始种群X；
[0031]判断单元，判断初始种群X的当前迭代次数，若迭代次数小于允许的最大迭代次数；
[0032]学习单元，针对初始种群X中的个体X
k
，对个体X
k
产生的变异率P
m
进行自身变异行
为；对个体X
k
的适应度进行排序，并生成适应度集合，确定初始种群X的平均适应度若个体X
k
的适应度值低于平均适应度则从适应度集合中选择高于均适应度的适应度中选择随机匹配个体X
choice
，以交叉率P
c1
对随机匹配个体X
choice
进行交叉行为，生成新生个体V
i
；若个体X
k
的适应度高于平均适应度则从适应度集合中选择低于均适应度的适应度中选择随机匹配个体X<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的贝叶斯网络结构学习的方法，所述方法包括：针对目标贝叶斯网络，初始化学习全阶段的参数，所述参数包括：交叉率、变异率及允许的最大迭代次数；确定参数之间的互信息，对互信息采用MWST算法计算，生成初始的无向图，并根据无向图生成初始种群X；判断初始种群X的当前迭代次数，若迭代次数小于允许的最大迭代次数；针对初始种群X中的个体X
k
，对个体X
k
产生的变异率P
m
进行自身变异行为；对个体X
k
的适应度进行排序，并生成适应度集合，确定初始种群X的平均适应度若个体X
k
的适应度值低于平均适应度则从适应度集合中选择高于均适应度的适应度中选择随机匹配个体X
choice
，以交叉率P
c1
对随机匹配个体X
choice
进行交叉行为，生成新生个体V
i
；若个体X
k
的适应度高于平均适应度则从适应度集合中选择低于均适应度的适应度中选择随机匹配个体X
choice
，以交叉率P
c1
对随机匹配个体X
choice
进行交叉行为，生成新生个体V
i
；若新生个体V
i
合法且适应度优于个体X
k
的适应度，则使用新生个体V
i
代替个体X
k
，并生成初始种群最大适应度和最小适应度间的随机值f
′
，从初始种群中选择适应度最接近随机值f
′
的个体与最优个体以交叉率P
c2
进行交叉，生成新的个体；对生成的新的个体代替初始种群中最差的个体，对初始种群进行进化；进化完成后，若输出最高得分值，则生成最优的贝叶斯网络。2.根据权利要求1所述的方法，所述变异行为对初始种群中的所有个体进行；所述变异行为使用遗传算法的变异算子进行变异行为，变异模型如下：P
m
由云自适应算法产生的，f为个体的适应度，f
max
为初始种群最优个体适应度，为初始种群的平均适应度；ormrnd(E
n
，H
c
)为以E
n
为期望及以H
c
为标准差的正态分布而确定的随机数；E
n
为影响云的陡峭程度；H
c
决定云滴的离散程度；c1、c2为控制系数，c1∈(2.5，3.0)，c2∈(5，15)；所述P
m
取值，根据如下模型进行取值，模型如下：其中k1、k2为常数，k1、k2∈(0，1)。3.根据权利要求1所述的方法，所述交叉行为的过程如下：对初始种群中所有个体进行适应度排序，并计算初始种群个体的平均适应度将个体适应度高于的加入集合better，适应度低于的加入集合worse；对于个体X
k
进行判断，若个体属于集合better，将从worse集合中随机匹配一个个体
X
choice
；若个体属于集合worse，则从集合better中随机匹配一个个体X
choice
，并确定如下模型：V
i
(j)＝X
choice
(j)+rand(0，1)[X
choice
(j)
‑
X
k
(j)]为模型确定搜索方程ABC/choice；使用模型及搜索方程ABC/choice，针对个体X
k
与随机匹配的个体X
choice
以交叉概率P
c1
进行交叉，且交叉率设定为0.1～0.3。4.根据权利要求1所述的方法，所述判断初始种群X的当前迭代次数，若迭代次数大于允许的最大迭代次数，再次初始化初始种群的参数。5.根据权利要求1所述的方法，所述进化完成后，判断初始种群的迭代次数是否达到允许的最大迭代次数，若达到则输出最高得分值。6.一种基于遗传算法的贝叶斯网络结构学习的...

【专利技术属性】
技术研发人员：王岩琪，贺东华，方标新，韦章兵，
申请(专利权)人：航天信息股份有限公司，
类型：发明
国别省市：