一種Bayesian網(wǎng)絡(luò)結(jié)構(gòu)的并行學習方法.pdf

1、學習Bayesian網(wǎng)絡(luò)問題是人工智能領(lǐng)域的一大熱點問題。由于網(wǎng)絡(luò)結(jié)構(gòu)的空間分布隨著變量的數(shù)目和每個變量的狀態(tài)數(shù)量呈指數(shù)級增長，因此學習Bayesian網(wǎng)絡(luò)是一個NP難度問題。為了克服在構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)中計算和搜索的復雜性，許多學者進行了大量的探索性工作，提出了很多算法，但都有自身的局限性。對于這樣一種NP難度問題，使用啟發(fā)算法來學習是個明智的選擇。其中蟻群優(yōu)化算法ACO是對解決組合優(yōu)化問題表現(xiàn)出了卓越的性能和效率，但ACO算法高時空復雜度

2、的本質(zhì)決定了它的局限性，算法精度還有提高空間。隨著高性能計算平臺的發(fā)展，并行化求解組合優(yōu)化問題的算法相繼出現(xiàn)。 本課題就學習Bayesian算法問題，提出一種并行算法PACOB，分別將BDe方式和MDL方式單獨使用到該算法當中，并嘗試了同時將兩種打分方式相結(jié)合，共同應(yīng)用于該算法，用混合的方法來學習Bayesian網(wǎng)絡(luò)。對ALARM和DJC數(shù)據(jù)集進行的實驗結(jié)果表明，PACOB算法取得了較好質(zhì)量的解，為學習Bayesian網(wǎng)絡(luò)提供了