CN104778495A - 基于粒子群算法的贝叶斯网络优化方法 - Google Patents
基于粒子群算法的贝叶斯网络优化方法 Download PDFInfo
- Publication number
- CN104778495A CN104778495A CN201410014689.3A CN201410014689A CN104778495A CN 104778495 A CN104778495 A CN 104778495A CN 201410014689 A CN201410014689 A CN 201410014689A CN 104778495 A CN104778495 A CN 104778495A
- Authority
- CN
- China
- Prior art keywords
- solution
- bayesian network
- solution group
- group
- optimization method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供一种基于粒子群算法的贝叶斯网络优化方法。根据本发明的方法,当执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群中选择较优解以形成较优解群;随后,基于较优解群来构造贝叶斯网络,并利用评价函数构建符合各较优解的贝叶斯网络概率模型;对贝叶斯网络概率模型进行推理采样,以获得所述问题的较优候选解群,并基于粒子群算法对较优候选解群进行深度搜索,以获得更优候选解群;再基于相关替换策略、较优候选解及更优候选解群来更新当前解群。可见,本发明的方法既能充分利用已建立的贝叶斯网概率模型进行全局的推理采样,还能利用粒子群算法对某些局部较优区域进行深度探索,有效提高了贝叶斯网络优化的有效性和可靠性。
Description
技术领域
本发明涉及网络优化领域,特别是涉及一种基于粒子群算法的贝叶斯网络优化方法。
背景技术
传统网络是一个信息传输、接收、共享的平台,用户可以通过它将各种丰富的信息联系在一起,从而实现不同地域之间的信息共享。而认知网络是近年新提出的前沿通信技术,其综合采用了感知、学习、重配置等技术,从而具有重要的应用价值。认知网络是一个具有认知过程的网络,其通过感知当前的网络环境,经过自身的理解与学习后,依据这些理解和学习到的知识来调整其内部的相应配置以适应外部网络的变化。可见,认知网络能在动态自适应的过程中不断地学习和积累相关知识,并以此为依据来对网络进行相关的调整、判决和再配置,其具有上下文感知、自学习、重配置、跨层设计等基本特征。
目前,网络的QoS已经成为国内外研究的热点,相关研究主要集中在以下几个方面:
1、网络环境感知技术
主要研究了基于本体的知识建模方式,使得认知网元获取的数据能够得到网络管理目标的理解。
2、网络QoS智能决策
主要成果是借鉴生物学方法研究网络QoS,力图借助生物昆虫群体聚集表现出来的固有特性来增强网络QoS保障过程的智能性,从优化的角度改进并完善传统的QoS方法,以及认知网络QoS管理产生动态策略与规则的各种方法。
3、网络自适应配置
提出了QoS调节系统,对组件的运行行为进行基于规则的调节,同时引入了预测控制,可以预测QoS组件在当前环境中的操作,推导出QoS组件应当做出哪些必要的改变。
综上所述,现在国内外研究网络QoS的焦点主要集中在为QoS保障算法增强智能性、自适应性,建立网络QoS的目标参数映射及认知参数建模与表达等方面,但是这些方法在实际操作过程中有诸多缺点:
1、这些研究大都针对某一局部、具体的控制方法,难以上升为具有全局意义的方法和机理;
2、现有的研究成果缺乏对网络态势的全局性评估,缺乏对网络层次(学习者)的认知能力、知识水平等个性特征的了解;
3、不能完全满足使用者的不同需要,不能为学习者提供个性化再配置的数据支持和指导。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种高效可靠的基于粒子群算法的贝叶斯网络优化方法,以便准确反映网络参数间层次和粒度关联关系。
为实现上述目的及其他相关目的,本发明提供一种基于粒子群算法的贝叶斯网络优化方法,其至少包括:
当执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群中选择较优解以形成较优解群;
基于较优解群来构造贝叶斯网络,并利用评价函数构建符合各较优解的贝叶斯网络概率模型;
对所述贝叶斯网络概率模型进行推理采样,以获得所述问题的较优候选解群,并基于粒子群算法对较优候选解群进行深度搜索,以获得所述问题的更优候选解群;
基于相关替换策略、较优候选解及更优候选解群来更新所述当前解群。
优选地,所述相关替换策略包括替换所述当前解群中最差的解或全部解。
优选地,所述相关替换策略包括将较优候选解群和更优候选解群中排序较优的部分解替换所述当前解群中相应数目的解;更为优选地,所述相关替换策略包括将较优候选解群和更优候选解群中排序较优的前一半解替换所述当前解群中相应数目的解。
优选地,基于收敛次数或运行时间的要求执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群选择较优解以形成较优解群。
优选地,构建贝叶斯网络的次数定义为mod(N,100)=1,其中N为预定的迭代次数或运行时间。
优选地,所述的基于粒子群算法的贝叶斯网络优化方法还包括:由所有可行解中根据均匀分布随机生成所述问题的初始解群。
优选地,当执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群及历史较优解中选择较优解以形成较优解群。
如上所述,本发明的基于粒子群算法的贝叶斯网络优化方法,具有以下有益效果:
(1)通过深入研究贝叶斯网络的节点参数随时间而自增加与自减少的马尔科夫变化过程,得到一个混合粒子群的推理学习算法,它包括全局和局部搜索,使其更利于得到期望的较优解;
(2)为了更好更准确的利用当前的较优解群,本发明采用粒子群算法进行局部的深度搜索,从而使得本发明的算法更加的准确和精准。
附图说明
图1显示为本发明的基于粒子群算法的贝叶斯网络优化方法的架构示意图。
图2显示为本发明的基于粒子群算法的贝叶斯网络优化方法流程图。
元件标号说明
S1~S4 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图2。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在详述本发明的方法之前,先对相关信息进行简要说明:
首先,为了统一描述,在本实施例中,采用X1,X2,…,Xn表示离散的随机变量,x1,x2,…,xn表示随机变量X1,X2,…,Xn在某时刻的具体取值,θ1,θ2,…,θn表示随机变量可能的参数集,其中x∈θ,即随机变量在当前时刻的取值是该参数集中的某个具体值,n表示随机变量的个数。在本实施例中,贝叶斯网络模型的结构学习采用最广泛使用的K2算法,参数学习采用最大似然估计法。
其次,提供一种简单的贝叶斯网络,以便更为清楚理解本发明的方法。
如图1所示,在图1所示的贝叶斯网络(G,θ)中,变量X1条件依赖于变量X2、X3、X4。其中,G表示当前的贝叶斯网络结构,θ表示该贝叶斯网络的变量参数集。假设θ中已有的较优解群中的实例数据的参数个数为L,记为D1,D2,…,DL,它们构成较优解群D。在该较优解群D中,既包含当前较优解群中解,也包括历史中一些较优解群。贝叶斯网络概率推理模型将根据这个数据集D构建,并利用构建好的贝叶斯网络模型进行预测、推理、采样。得到符合这个较优解群分布的解。然后,粒子群算法被应用到当前得到的较优解群中,发挥粒子群收敛速度快和群体寻优的优点,快速的收敛到当前较优解群中的最优解上。
以下将对本发明的基于粒子群算法的贝叶斯网络优化方法进行详细描述:
如图2所示,在步骤S1中,当执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群中选择较优解以形成较优解群。
其中,所述问题包括任何能通过计算机设备进行求解的问题,例如,基于一些约束条件如何控制各交通主干线的红绿灯,以避免交通拥堵等。所述计算机设备包括但不限于:个人计算机、网络服务器等。
其中,预定选择策略包括任何能从当前解群中选择较优解的策略,优选地,包括但不限于:随机选择、按序选择等等。
其中,在第一次执行对所述问题求解的算法没有获得最优解时,优选由所有可行解中根据均匀分布随机生成所述问题的初始解群P(0)。
其中,在第一次以后执行对所述问题求解的算法没有获得最优解时,优选基于预定选择策略由当前解群及历史较优解中选择较优解以形成较优解群P(t)。
其中,执行对问题求解的算法没有获得最优解的原因包括但不限于:收敛次数已达到预定次数;或者执行算法的运行时间已达到预定时间等。
接着,在步骤S2中,基于较优解群来构造贝叶斯网络,并利用评价函数构建符合各较优解的贝叶斯网络概率模型B(t)。
其中,构建贝叶斯网络的次数定义为mod(N,100)=1,其中N为预定的迭代次数或运行时间。
接着,在步骤S3中,对所述贝叶斯网络概率模型B(t)进行推理采样,以获得所述问题的较优候选解群O(t),并基于粒子群算法对较优候选解群进行深度搜索,以获得所述问题的更优候选解群。
具体地,在收敛次数未结束时,利用粒子群算法对当前的较优候选解群O(t)进行深度搜索,以得到最优候选解群O’(t)。
接着,在步骤S4中,基于相关替换策略、较优候选解及更优候选解来更新所述当前解群。
具体地,当收敛次数结束时,利用相关的换策略,由新产生的较优候选解及更优候选解替换掉当前解群中的某些个体,例如,将贝叶斯网络和粒子群算法得到的排序较优的前一半解,即N/2个解替换当前解群中最差的N/2个解,由此构成新的N个解,其中自适应推理次数结束条件定义为满足收敛次数或运行时间的要求,即iten=N、time=N,其中N为固定的迭代次数或运行时间,自适应推理次数定义为mod(N,100)=1。
其中,相关替换策略包括但不限于:替换所述当前解群中最差的解或全部解;将较优候选解群和更优候选解群中排序较优的部分解替换所述当前解群相应数目的解,例如,将较优候选解群和更优候选解群中排序较优的一半解替换所述当前解群中相应数目的最差解。
综上所述,本发明的基于粒子群算法的贝叶斯网络优化方法利用粒子群算法的局部搜索能力强的特点,避免了贝叶斯网络模型模型推理不够准确导致的全局盲目搜索问题;本发明的方法在充分利用已建立贝叶斯网络概率模型进行推理的同时,还能对某些较优的区域进行深度探索,提高了算法的全局和局部寻优能力,加快了搜索速度,提高了算法的稳定性,因此,本发明具有以下有益效果:
(1)通过深入研究贝叶斯网络的节点参数随时间而自增加与自减少的马尔科夫变化过程,得到一个混合粒子群的推理学习算法,它包括全局和局部搜索,使其更利于得到期望的较优解;
(2)为了更好更准确的利用当前的较优解群,本发明采用粒子群算法进行局部的深度搜索,从而使得本发明的方法更加的准确和精准。
所以,本发明有效地克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种基于粒子群算法的贝叶斯网络优化方法,其特征在于,所述基于混合粒子群算法的贝叶斯网络优化方法至少包括:
当执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群中选择较优解以形成较优解群;
基于较优解群来构造贝叶斯网络,并利用评价函数构建符合各较优解的贝叶斯网络概率模型;
对所述贝叶斯网络概率模型进行推理采样,以获得所述问题的较优候选解群,并基于粒子群算法对较优候选解群进行深度搜索,以获得所述问题的更优候选解群;
基于相关替换策略、较优候选解及更优候选解群来更新所述当前解群。
2.根据权利要求1所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于:所述相关替换策略包括替换所述当前解群中最差的解或全部解。
3.根据权利要求1所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于:所述相关替换策略包括将较优候选解群和更优候选解群中排序较优的部分解替换所述当前解群中相应数目的解。
4.根据权利要求3所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于:所述相关替换策略包括将较优候选解群和更优候选解群中排序较优的前一半解并入所述当前解群。
5.根据权利要求1所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于:基于收敛次数或运行时间的要求执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群选择较优解以形成较优解群。
6.根据权利要求1所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于:构建贝叶斯网络的次数定义为mod(N,100)=1,其中N为预定的迭代次数或运行时间。
7.根据权利要求1所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于还包括:由所有可行解中根据均匀分布随机生成所述问题的初始解群。
8.根据权利要求1所述的基于粒子群算法的贝叶斯网络优化方法,其特征在于:当执行对问题求解的算法没有获得最优解时,基于预定选择策略由当前解群及历史较优解中选择较优解以形成较优解群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410014689.3A CN104778495A (zh) | 2014-01-13 | 2014-01-13 | 基于粒子群算法的贝叶斯网络优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410014689.3A CN104778495A (zh) | 2014-01-13 | 2014-01-13 | 基于粒子群算法的贝叶斯网络优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104778495A true CN104778495A (zh) | 2015-07-15 |
Family
ID=53619948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410014689.3A Pending CN104778495A (zh) | 2014-01-13 | 2014-01-13 | 基于粒子群算法的贝叶斯网络优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778495A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846411A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法 |
WO2019067374A1 (en) * | 2017-09-26 | 2019-04-04 | Amazon Technologies, Inc. | DYNAMIC ADJUSTMENT OF LEARNING PARAMETERS OF MACHINE LEARNING ALGORITHMS |
CN111556630A (zh) * | 2020-06-29 | 2020-08-18 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别系统及方法 |
CN114777762A (zh) * | 2022-06-21 | 2022-07-22 | 北京神导科技股份有限公司 | 一种基于贝叶斯nas的惯性导航方法 |
-
2014
- 2014-01-13 CN CN201410014689.3A patent/CN104778495A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019067374A1 (en) * | 2017-09-26 | 2019-04-04 | Amazon Technologies, Inc. | DYNAMIC ADJUSTMENT OF LEARNING PARAMETERS OF MACHINE LEARNING ALGORITHMS |
US11397887B2 (en) | 2017-09-26 | 2022-07-26 | Amazon Technologies, Inc. | Dynamic tuning of training parameters for machine learning algorithms |
CN108846411A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法 |
CN111556630A (zh) * | 2020-06-29 | 2020-08-18 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别系统及方法 |
CN111556630B (zh) * | 2020-06-29 | 2021-06-01 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别系统及方法 |
CN114777762A (zh) * | 2022-06-21 | 2022-07-22 | 北京神导科技股份有限公司 | 一种基于贝叶斯nas的惯性导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Service offloading with deep Q-network for digital twinning-empowered internet of vehicles in edge computing | |
CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
CN107690176B (zh) | 一种基于q学习算法的网络选择方法 | |
Guan et al. | An improved ant colony optimization with an automatic updating mechanism for constraint satisfaction problems | |
CN108924198A (zh) | 一种基于边缘计算的数据调度方法、装置及系统 | |
CN108075975B (zh) | 一种物联网环境中的路由传输路径的确定方法及确定系统 | |
CN106502799A (zh) | 一种基于长短时记忆网络的主机负载预测方法 | |
CN111371644B (zh) | 基于gru的多域sdn网络流量态势预测方法及系统 | |
CN104778495A (zh) | 基于粒子群算法的贝叶斯网络优化方法 | |
WO2019154215A1 (zh) | 机器人运行路径生成方法、计算设备及存储介质 | |
CN106162663A (zh) | 一种基于改进蜂群算法的传感节点覆盖方法 | |
CN111414681A (zh) | 基于共享深度强化学习的建筑物内疏散仿真方法及系统 | |
CN115688600A (zh) | 油藏井位优化方法、电子设备及存储介质 | |
Reddy et al. | Capacitor placement using fuzzy and particle swarm optimization method for maximum annual savings | |
CN115865679A (zh) | 网络管控方法及其系统、存储介质 | |
Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
CN109669957A (zh) | 一种基于多蚁群遗传算法的分布式数据库查询优化方法 | |
CN111767991B (zh) | 一种基于深度q学习的测控资源调度方法 | |
Binh et al. | Reinforcement Learning for Optimizing Delay-Sensitive Task Offloading in Vehicular Edge-Cloud Computing | |
CN106408082A (zh) | 一种基于区域分割的控制方法及系统 | |
CN115438588B (zh) | 一种锂电池的温度预测方法、系统、设备及存储介质 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
CN116843069A (zh) | 一种基于人群活动强度特征的通勤流量估计方法及系统 | |
CN116669068A (zh) | 一种基于gcn的时延业务端到端切片部署方法及系统 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150715 |
|
RJ01 | Rejection of invention patent application after publication |