[发明专利]一种基于菌群觅食优化算法的贝叶斯网络结构构建方法

说明书

技术领域

本发明属于群智能算法、不确定信息处理和人工智能应用领域，具体地说，是涉及一种基于菌群觅食优化算法的贝叶斯网络结构构建方法。

背景技术

不确定性知识的推理和决策，长期以来一直被认为是人工智能领域中的一个极其重要的研究问题，在已经提出的众多方法中，概率统计方法是迄今为止最为流行也最为有效的方法之一。基于概率统计方法的贝叶斯网，由于其具有语义清晰的网络结构、局部及分布式的学习机制、直观灵活的推理能力等特性，目前已经成为不确定知识表示和推理最有效的模型之一，在处理不确定信息的智能化系统中得到了重要的应用，已成功的用于医疗诊断、统计决策、专家系统、学习预测等领域。

贝叶斯网能够以简明的图形方式定性地表示事件之间复杂的因果关系或概率关系，如何构造贝叶斯网络结构已经成为了贝叶斯网络研究方面的热点之一。目前，构造贝叶斯网络结构的方法主要有两种：一种是通过咨询专家手工构造，一种是利用计算机从数据集中自动学习。前者一般不采用，因为当数据量较大时，仅利用专家知识构造网络是费时费力，甚至是不可能的。因此研究者们主要将兴趣集中在如何从数据集中自动学习到贝叶斯网的结构。而这种方法又归结为两类：基于独立性分析的方法和基于评分搜索的方法。基于独立性分析的方法把贝叶斯网络结构的学习看作一个约束满足的问题，它利用统计的方法，通过分析变量间的独立与非独立性关系建立贝叶斯网络，这种方法当变量比较多时，需要做大量的甚至是指数级别的独立性测试，费时费力，而且很难保证学习到的网络的质量；基于评分搜索的方法把贝叶斯网络结构的学习看作一个优化问题，它使用一个搜索方法在候选网络空间进行探索，使用一个评分度量评价搜索到的网络结构，直到找到拥有最优评分值的网络结构。这种方法当变量比较多时，搜索空间变的异常巨大，精确的搜索方法几乎无能为力，而一些启发式的搜索方法也容易陷入局部最优。

发明内容

本发明针对上述现有技术存在的问题，提出了一种基于菌群觅食优化算法的贝叶斯网络结构构建方法，它可以有效地跳出局部最优，找到全局最优的网络结构，而且不需要做大量的独立性测试。

贝叶斯网络结构G是一个有向无环图，使用G=(X,A)表示,其中X=(X₁,X₂,…,X_n)是网络节点集合，每个X_i(i∈n)代表问题领域里面的一个随机变量，∏(X_i)代表X_i的父节点，A=(a_ij)是网络中弧的集合，每条弧a_ij描述了节点X_i和节点X_j之间的依赖关系。一个事先给定的有m条事例的的训练集通常用D=(v₁,v₂,…,v_m)表示，每个v_i∈D是n个随机变量都有特定取值的事例，每个随机变量X_i∈X有r_i个可能的取值。

本发明为了实现上述的目的，采用的技术方案是：将基本的菌群优化算法应用到贝叶斯网络结构学习领域，提出了一种新的网络结构构建方法，该方法本质上属于基于评分搜索的方法，它利用基本菌群优化算法中趋化、繁殖和迁徙三种操作搜索候选网络结构，使用K2评分度量评价搜索到的网络结构，K2评分值越高，得到的网络结构越好。

一种基于菌群觅食优化算法的贝叶斯网络结构构建方法，其特征在于，在计算机上依次按照以下步骤实现：

步骤（1）：初始化参数：包括菌群大小S、细菌个体被初始化成有向无环图的弧的条数N_a、趋化操作次数N_c、趋化操作中执行同一种操作算子的最大次数N_s、繁殖操作次数N_re、迁徙操作次数N_ed、执行迁徙操作的概率P_ed，其中菌群大小设置为偶数。

步骤（2）：随机生成菌群：生成种群大小为S的初始菌群。每个细菌从一个不含有任何弧的空图开始，随机选择两个节点，规定起点和终点，产生一条弧，如果该弧不使网络结构产生环路，则被添加到图里面去，这个过程不断重复直到添加了N_a条弧为止。

步骤（3）：菌群执行趋化操作：趋化操作可以看作是一个贪婪搜索的优化过程，可以局部优化每个网络结构。菌群执行趋化操作的具体步骤如下：