贝叶斯网络是处理不确定性问题的有效方法之一,其具有内在严密的概率推理和直观的图形化表示等特点,被广泛应用于人工智能和机器学习等领域。在当今数据大爆炸时代,传统的依靠专家知识构建贝叶斯网络结构的方法已不能满足快速精准学习的需求。如何从数据中有效地学习贝叶斯网络结构引起众多专家学者的研究兴趣。使用爬山搜索策略的K2算法作为一种经典的贝叶斯网络结构学习算法,已经得到广泛的应用。但K2算法对变量序列和最大父节点数具有强烈的依赖性,不同的最大父节点数对贝叶斯网络的学习效果差别不显著,而不同的变量序列会极大地影响贝叶斯网络的学习效率,因此如何寻找较优的变量序列有着重要的研究价值。本文以构建K2算法中变量序列的评价函数为研究目标,首先基于广度优先搜索的Kahn算法和深度优先搜索的Tarjan算法,对标准网络结构进行图的遍历以得到较优的变量序列,分析各序列的K2-CH评分和互信息评分的属性,寻找较优序列的共性,在此基础上提出新的变量序列的评价函数,然后以此评分函数作为新的适应度函数,在变量构成的空间内,以遗传搜索来寻找较优的变量序列,我们称此算法为Chain-KMGA算法。实验结果表明,通过Chain-KMGA算法学习到的贝叶斯网络的结构较优,具体表现在网络的评分值较高,且可以学习到更多的正确边和较少的错误边,同时ChainKMGA算法的运行时间较少,该算法具有较高的学习效率,其所学习到的贝叶斯网络评分值与变量序列评分值具有较强的正相关性,即随着变量序列评分值的增加,贝叶斯网络的评分值也在对应的增加,因此Chain-KMGA算法能够搜索到较优变量序列,Chain-KMGA算法构建的贝叶斯网络具有较高的学习效率。