[发明专利]基于粒子群算法的贝叶斯网络优化方法

说明书

技术领域

本发明涉及网络优化领域，特别是涉及一种基于粒子群算法的贝叶斯网络优化方法。

背景技术

传统网络是一个信息传输、接收、共享的平台，用户可以通过它将各种丰富的信息联系在一起，从而实现不同地域之间的信息共享。而认知网络是近年新提出的前沿通信技术，其综合采用了感知、学习、重配置等技术，从而具有重要的应用价值。认知网络是一个具有认知过程的网络，其通过感知当前的网络环境，经过自身的理解与学习后，依据这些理解和学习到的知识来调整其内部的相应配置以适应外部网络的变化。可见，认知网络能在动态自适应的过程中不断地学习和积累相关知识，并以此为依据来对网络进行相关的调整、判决和再配置，其具有上下文感知、自学习、重配置、跨层设计等基本特征。

目前，网络的QoS已经成为国内外研究的热点，相关研究主要集中在以下几个方面：

1、网络环境感知技术

主要研究了基于本体的知识建模方式，使得认知网元获取的数据能够得到网络管理目标的理解。

2、网络QoS智能决策

主要成果是借鉴生物学方法研究网络QoS，力图借助生物昆虫群体聚集表现出来的固有特性来增强网络QoS保障过程的智能性，从优化的角度改进并完善传统的QoS方法，以及认知网络QoS管理产生动态策略与规则的各种方法。

3、网络自适应配置

提出了QoS调节系统，对组件的运行行为进行基于规则的调节，同时引入了预测控制，可以预测QoS组件在当前环境中的操作，推导出QoS组件应当做出哪些必要的改变。

综上所述，现在国内外研究网络QoS的焦点主要集中在为QoS保障算法增强智能性、自适应性，建立网络QoS的目标参数映射及认知参数建模与表达等方面，但是这些方法在实际操作过程中有诸多缺点：

1、这些研究大都针对某一局部、具体的控制方法，难以上升为具有全局意义的方法和机理；

2、现有的研究成果缺乏对网络态势的全局性评估，缺乏对网络层次（学习者）的认知能力、知识水平等个性特征的了解；

3、不能完全满足使用者的不同需要，不能为学习者提供个性化再配置的数据支持和指导。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种高效可靠的基于粒子群算法的贝叶斯网络优化方法，以便准确反映网络参数间层次和粒度关联关系。

为实现上述目的及其他相关目的，本发明提供一种基于粒子群算法的贝叶斯网络优化方法，其至少包括：

当执行对问题求解的算法没有获得最优解时，基于预定选择策略由当前解群中选择较优解以形成较优解群；

基于较优解群来构造贝叶斯网络，并利用评价函数构建符合各较优解的贝叶斯网络概率模型；

对所述贝叶斯网络概率模型进行推理采样，以获得所述问题的较优候选解群，并基于粒子群算法对较优候选解群进行深度搜索，以获得所述问题的更优候选解群；

基于相关替换策略、较优候选解及更优候选解群来更新所述当前解群。

优选地，所述相关替换策略包括替换所述当前解群中最差的解或全部解。

优选地，所述相关替换策略包括将较优候选解群和更优候选解群中排序较优的部分解替换所述当前解群中相应数目的解；更为优选地，所述相关替换策略包括将较优候选解群和更优候选解群中排序较优的前一半解替换所述当前解群中相应数目的解。

优选地，基于收敛次数或运行时间的要求执行对问题求解的算法没有获得最优解时，基于预定选择策略由当前解群选择较优解以形成较优解群。

优选地，构建贝叶斯网络的次数定义为mod（N，100）=1，其中N为预定的迭代次数或运行时间。

优选地，所述的基于粒子群算法的贝叶斯网络优化方法还包括：由所有可行解中根据均匀分布随机生成所述问题的初始解群。

优选地，当执行对问题求解的算法没有获得最优解时，基于预定选择策略由当前解群及历史较优解中选择较优解以形成较优解群。

如上所述，本发明的基于粒子群算法的贝叶斯网络优化方法，具有以下有益效果：

（1）通过深入研究贝叶斯网络的节点参数随时间而自增加与自减少的马尔科夫变化过程，得到一个混合粒子群的推理学习算法，它包括全局和局部搜索，使其更利于得到期望的较优解；

（2）为了更好更准确的利用当前的较优解群，本发明采用粒子群算法进行局部的深度搜索，从而使得本发明的算法更加的准确和精准。

附图说明

图1显示为本发明的基于粒子群算法的贝叶斯网络优化方法的架构示意图。