论文部分内容阅读
学习Bayesian网络问题是人工智能领域的一大热点问题。由于网络结构的空间分布随着变量的数目和每个变量的状态数量呈指数级增长，因此学习Bayesian网络是一个NP难度问题。为了克服在构建网络结构中计算和搜索的复杂性，许多学者进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。对于这样一种NP难度问题，使用启发算法来学习是个明智的选择。其中蚁群优化算法ACO是对解决组合优化问题表现出了卓越的性能和效率，但ACO算法高时空复杂度的本质决定了它的局限性，算法精度还有提高空间。随着高性能计算平台的发展，并行化求解组合优化问题的算法相继出现。本课题就学习Bayesian算法问题，提出一种并行算法PACOB，分别将BDe方式和MDL方式单独使用到该算法当中，并尝试了同时将两种打分方式相结合，共同应用于该算法，用混合的方法来学习Bayesian网络。对ALARM和DJC数据集进行的实验结果表明，PACOB算法取得了较好质量的解，为学习Bayesian网络提供了一种新的解决思路。