loading第41卷第6期2019年6月电??子??与??信??息??学??报
Journal?of?Electronics?&?Information?TechnologyVol.?41No.?6Jun.?2019
基于改进鲸鱼优化策略的贝叶斯网络结构学习算法
刘浩然*??????张力悦??????范瑞星??????王海羽??????张春兰
(燕山大学信息科学与工程学院???秦皇岛???066004)
(燕山大学河北省特种光纤与光纤传感重点实验室???秦皇岛???066004)
摘???要：针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题，该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群，然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为，同时采用动态调节参数增强算法个体寻优的能力，通过适应度排序更新种群，最终获得最优的贝叶斯网络结构。仿真结果表明，该算法具有全局收敛性，寻优效率高，精确率高于其它同类优化算法。
关键词：贝叶斯网络结构学习；改进鲸鱼优化算法；改进捕食行为；动态调节参数中图分类号：TP18DOI:?10.11999/JEIT180653
文献标识码：A
文章编号：1009-5896(2019)06-1434-08
Bayesian Network Structure Learning Based on
Improved Whale Optimization Strategy
LIU?Haoran??????ZHANG?Liyue??????FAN?Ruixing??????WANG?Haiyu??????ZHANG?Chunlan
(School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China)
(The Key Laboratory for Special Fiber and Fiber Sensor of Hebei Province,
Yanshan University, Qinhuangdao 066004, China)
Abstract:?A?Bayesian?network?structure?learning?algorithm?based?on?improved?whale?optimization?strategy?isproposed?to?solve?the?problem?that?the?current?Bayesian?network?structure?learning?algorithm?is?easily?trappedin?local?optimal?and?is?of?low?optimization?efficiency.?The?improved?algorithm?proposes?first?a?new?method?toestablish?a?better?initial?population,?and?then?it?uses?the?cross?mutation?operator?that?does?not?produce?theillegal?structure?to?construct?an?improved?predation?behavior?suitable?for?Bayesian?network?structure?learning.At?the?same?time,?it?adopts?the?dynamic?parameter?tuning?strategy?to?enhance?the?individual?search?ability.The?population?is?updated?followed?by?the?fitness?order?so?that?the?optimal?Bayesian?network?structure?isobtained.?Simulation?results?demonstrate?that?the?algorithm?has?global?convergence,?high?efficiency?and?higheraccuracy?than?other?similar?optimization?algorithms.
Key words:?Bayesian?network?structure?learning;?Improved?whale?optimization?algorithm;?Improved?huntbehavior;?Dynamic?adjustment?parameter
1 引言
贝叶斯网络(Bayesian?Network,?BN)是用来表示不确定性关系以及推理的一种方法[1]。从二十多年的发展来看，贝叶斯网络已经成为近几年研究的热点之一，被广泛应用于人工智能、机器学习、故障诊断、医疗诊断、战场决策等领域[2,3]。
?
收稿日期：2018-07-03；改回日期：2019-01-15；网络出版：2019-01-26*通信作者：?刘浩然 liu.haoran@ysu.edu.cn基金项目：国家自然科学基金(51641609)
Foundation?Item:?The?National?Natural?Science?Foundation?ofChina?(51641609)
结构学习是贝叶斯网络学习的重要内容之一，从数据中学习贝叶斯网络结构是一个NP问题[4]，在过去的20年中被广泛深入地研究。学习贝叶斯网络结构的方法主要包含3种：基于评分搜索法[5]、基于约束法[6]、混合法[7]。近些年，结构学习通常使用混合法，利用约束条件构建一个初始结构，对初始结构使用合理的搜索策略与评分函数获得一个较优的贝叶斯网络结构[7]。文献[8]提出了混合法MM-HC(Max-Min?Hill-Climbing)算法，通过条件独立性构建初始结构并结合爬山法，学习贝叶斯网络结构，但算法在大网络中耗时过长，容易陷入局部最优。使用较优的启发式搜索策略能够避免算法陷入