一种快速收敛的改进贝叶斯优化算法

被引：4

作者：

王翔

郑建国

张超群

刘荣辉

机构：

[1] 东华大学旭日工商管理学院

来源：

华中科技大学学报(自然科学版) | 2011年 / 39卷 / 06期

关键词：

贝叶斯优化算法; 快速收敛; 分布式估计算法; K2算法; B算法;

D O I：

10.13245/j.hust.2011.06.020

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对贝叶斯优化算法(BOA)中学习贝叶斯网络结构时间复杂度较高的问题,提出了一种可以快速收敛的基于K2的贝叶斯优化算法(K2-BOA).为了提升收敛速度,在学习贝叶斯网络结构的步骤中进行了2处改进:首先,随机生成n个变量的拓扑排序,加大了算法的随机性;其次,在排序的基础上利用K2算法学习贝叶斯网络结构,减少了整个算法的时间复杂度.针对3个标准Benchmark函数的仿真实验表明:采用K2-BOA算法和BOA算法解决简单分解函数问题时,寻找到最优值的适应度函数评价次数几乎相同,但是每次迭代K2-BOA算法运行速度提升明显;当解决比较复杂的6阶双极欺骗函数问题时,K2-BOA算法无论是运行时间还是适应度函数评价次数,都远小于BOA算法.

引用

页码：66 / 70

页数：5

共 9 条

[1] 一种基于独立性测试和蚁群优化的贝叶斯网学习算法(英文)[J]. 冀俊忠,张鸿勋,胡仁兵,刘椿年.自动化学报. 2009(03)
[2] 分布估计算法综述
周树德
孙增圻
[J]. 自动化学报, 2007, (02) : 113 - 124
[3] The max-min hill-climbing Bayesian network structure learning algorithm
Tsamardinos, Ioannis
Brown, Laura E.
Aliferis, Constantin F.
[J]. MACHINE LEARNING, 2006, 65 (01) : 31 - 78
[4] Learning Bayesian networks from data: An information-theory based approach[J] . Jie Cheng,Russell Greiner,Jonathan Kelly,David Bell,Weiru Liu.Artificial Intelligence . 2002 (1)
[5] Scalability of the Bayesian optimization algorithm
Pelikan, M
Sastry, K
Goldberg, DE
[J]. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, 2002, 31 (03) : 221 - 258
[6] Ant colony optimization for learning Bayesian networks
de Campos, LM
Fernández-Luna, JM
Gámez, JA
Puerta, JM
[J]. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, 2002, 31 (03) : 291 - 311
[7] The Equation for Response to Selection and Its Use for Prediction
Muehlenbein, Heinz
[J]. EVOLUTIONARY COMPUTATION, 1997, 5 (03) : 303 - 346
[8] Learning Bayesian Networks: The Combination of Knowledge and Statistical Data[J] . David Heckerman,Dan Geiger,David M. Chickering.Machine Learning . 1995 (3)
[9] A BAYESIAN METHOD FOR THE INDUCTION OF PROBABILISTIC NETWORKS FROM DATA
COOPER, GF
HERSKOVITS, E
[J]. MACHINE LEARNING, 1992, 9 (04) : 309 - 347

← 1 →