贝叶斯网络是用来表示变量间连接概率的图形模式,它提供了一种自然的表示因果关系的方法,用来发现数据间潜在关系。用图形的方法描述数据间的相互关系,语义清晰,可理解性强。近年来,贝叶斯网络以其直观、易于结合先验知识、易于理解等特点,在不确定推理和知识发现领域得到广泛的应用,成为数据挖掘众多方法中最为引人注目的焦点之一。 本文的主要贡献有: 1.研究了贝叶斯网络结构学习中弧定向问题。提出了新的贝叶斯网络弧定向算法—CE-GA(cross-entropy & genetic algorithm)算法。实验结果表明CE-GA算法是一种有效的贝叶斯网络弧定向方法。 2.基于进化计算的贝叶斯网络结构学习方法。对进化规划(EP)中容易出现的早熟收敛现象做了分析,定义了刻画早熟收敛现象的两个量,提出了两种改进方法并应用到贝叶斯网络结构学习中,通过实验与使用遗传算法的方法比较,这两种方法能够在较短的时间内学习到更好的网络。 3.基于粒子群算法(PSO)的贝叶斯网络结构学习方法。将离散粒子群算法应用到贝叶斯网络结构学习中。针对离散粒子群算法中的早熟收敛问题,将免疫系统中的一些基本概念与离散粒子群算法有机地结合,提出基于免疫的离散粒子群算法并将其应用到贝叶斯网络结构学习中,并通过实验对两种算法的有效性进行了分析。 4.贝叶斯网络在人口问题中的应用。从提高人口科学文化水平和提高人口健康水平两方面研究了提高人口素质决策系统的评价体系,以贝叶斯网络为工具,再对人口数据库进行了相应的离散化处理后,从大量人口数据中分析人口素质问题,建立描述人口素质的相关模型,为人口决策提供科学依据。