CN108256621A - 蜂群优化方法及装置 - Google Patents

Abstract

本发明提供了一种蜂群优化方法及装置，所述蜂群优化方法包括如下步骤：根据给定的预设数据集，基于互信息建立无向图；将所述无向图处理为连通无向图；对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。本发明提供的蜂群优化方法，由于采用完整且带有方向的第二优化图作为蜂群算法的初始搜索图，故能够有效降低蜂群算法陷入局部优化的概率，尽可能地使得蜂群算法得到最优的搜索结果。

Description

蜂群优化方法及装置

技术领域

本发明实施例涉及蜂群优化技术领域，具体涉及一种蜂群优化方法及装置。

背景技术

蜂群算法是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。

传统蜂群算法的性能极大地受到原始图的影响。如果在一个没有边缘结构或边缘结构不当的原始图上进行搜索，将在很大比例上无法得到最优的搜索结果，这就导致了蜂群算法的局限性，使得蜂群算法很容易陷入局部优化的陷阱，从而得出错误的结果。

发明内容

针对现有技术中的问题，本发明提供了一种蜂群优化方法及装置，本发明提供的蜂群优化方法，由于采用完整且带有方向的第二优化图作为蜂群算法的初始搜索图，故能够有效降低蜂群算法陷入局部优化的概率，尽可能地使得蜂群算法得到最优的搜索结果。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供了一种蜂群优化方法，包括如下步骤：

根据给定的预设数据集，基于互信息建立无向图；

将所述无向图处理为连通无向图；

对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；

利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；

利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。

进一步地，所述根据给定的预设数据集，基于互信息建立无向图的步骤包括利用互信息确定所述预设数据集中各变量之间的独立程度，根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

进一步地，所述将所述无向图处理为连通无向图的步骤包括：连接组件获取步骤，获取所述无向图中当前所有的连接组件，所述连接组件为所述无向图中相互分离不连通的部分；

无向边构建步骤，对于所有的连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知两个连接组件之间的互信息满足预设条件，则在两个连接组件之间建立无向边，使该两个连接组件组成一个连接组件；

重复执行所述连接组件获取步骤和所述无向边构建步骤，直至所述无向图为一个完整的连通无向图。

进一步地，所述无向边构建步骤包括：

对于所述连接组件获取步骤中获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知来自连接组件一上的任意节点A与来自连接组件二上的任意节点B之间的互信息大于连接组件一和连接组件二之间的最大信息系数的预设倍数，则在连接组件一和连接组件二之间建立无向边，使连接组件一和连接组件二组成一个连接组件。

进一步地，所述对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图的步骤包括：

三角环获取步骤，获取所述连通无向图中所有的三角环结构；

删除步骤，对于所述连通无向图中的任一个由节点A、B、C组成的三角环结构，在节点C的条件下测试节点A和节点B的独立情况，若在节点C的条件下节点A和节点B独立，则删除连接节点A和节点B的e边；若在节点C的条件下节点A和节点B不独立，则判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况；若在所述连通无向图中查找到一节点D使得在节点D的条件下节点A和节点B独立，则删除连接节点A和节点B的e边，并添加边：A到D，D到B；其中，节点D为所述连通无向图中的节点；若在所述连通无向图中查找不到任一节点D使得在节点D的条件下节点A和节点B独立，则在由节点A、B、C组成的三角环结构中删除任意一条边；

S33、重复执行所述删除步骤以消除所述连通无向图中所有的三角环结构，得到去除多余边的第一优化图。

进一步地，所述判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况，包括：

在所述连通无向图中寻找与节点A以及节点B均满足预设互信息条件的点，并将寻找到的这些点组成点集Z；

从所述点集Z中依次取出变量z，计算在变量z条件下节点A和节点B的独立情况，若在所述点集Z中存在一个变量z使得在变量z条件下节点A和节点B独立，则确定在所述连通无向图中存在节点使其满足节点A和节点B独立，否则确定在所述连通无向图中不存在节点使其满足节点A和节点B独立。

进一步地，在所述利用蜂群算法对所述第一优化图进行二次优化的步骤之前，所述方法还包括：

获取连通无向图中所有的N角环结构，N≥4；对于每一N角环结构构造该N角环结构的所有非循环有向子图，根据得分函数确定出得分最高的非循环有向子图，并将得分最高的非循环有向子图的方向作为对应N角环结构的方向。

进一步地，所述利用蜂群算法对所述第一优化图进行二次优化的步骤包括：

初始化步骤，对于所述第一优化图采用蜂群算法进行初始化，随机生成sn个可行解，sn表示蜜源个数，并将sn个蜜源分给sn个雇佣蜂；所述蜜源表示图结构中的边；

迭代步骤，采用蜂群算法进行一次迭代过程，并在迭代过程结束后，评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向；其中，根据评价结果更新每只雇佣蜂的蜜源，包括：在新蜜源的适应度大于当前蜜源的适应度时将得到的新蜜源替代当前蜜源作为对应雇佣蜂的蜜源，否则继续保留当前蜜源作为对应雇佣蜂的蜜源；

重复执行所述迭代步骤直至满足预设迭代次数，得到与sn个雇佣蜂一一对应的sn个最优蜜源，并由所述sn个最优蜜源构成第二优化图。

进一步地，所述迭代步骤包括：

采用蜂群算法进行一次迭代过程，并在迭代过程结束后，利用K2评分算法评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向。

第二方面，本发明还提供了一种蜂群优化装置，包括：

建立单元，用于根据给定的预设数据集，基于互信息建立无向图；

处理单元，用于将所述无向图处理为连通无向图；

第一优化单元，用于对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；

第二优化单元，用于利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；

搜索单元，用于利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。

进一步地，所述建立单元，具体用于执行如下过程：

利用互信息确定所述预设数据集中各变量之间的独立程度，根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

进一步地，所述处理单元包括：

连接组件获取模块，获取所述无向图中当前所有的连接组件，所述连接组件为所述无向图中相互分离不连通的部分；

无向边构建模块，对于所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知两个连接组件之间的互信息满足预设条件，则在两个连接组件之间建立无向边，使该两个连接组件组成一个连接组件；

第一循环模块，重复调用所述连接组件获取模块和无向边构建模块直至所述无向图为一个完整的连通无向图。

进一步地，所述无向边构建模块具体用于执行如下过程：

对于连接组件获取模块获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知来自连接组件一上的任意节点A与来自连接组件二上的任意节点B之间的互信息大于连接组件一和连接组件二之间的最大信息系数的预设倍数，则在连接组件一和连接组件二之间建立无向边，使连接组件一和连接组件二组成一个连接组件。

进一步地，所述第一优化单元包括：

三角环获取模块，获取所述连通无向图中所有的三角环结构；

删除模块，对于所述连通无向图中的任一个由节点A、B、C组成的三角环结构，在节点C的条件下测试节点A和节点B的独立情况，若在节点C的条件下节点A和节点B独立，则删除连接节点A和节点B的e边；若在节点C的条件下节点A和节点B不独立，则判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况；若在所述连通无向图中查找到一节点D使得在节点D的条件下节点A和节点B独立，则删除连接节点A和节点B的e边，并添加边：A到D，D到B；其中，节点D为所述连通无向图中的节点；若在所述连通无向图中查找不到任一节点D使得在节点D的条件下节点A和节点B独立，则在由节点A、B、C组成的三角环结构中删除任意一条边；

第二循环模块，重复调用所述删除模块以消除所述连通无向图中所有的三角环结构，得到去除多余边的第一优化图。

进一步地，所述删除模块具体用于执行如下过程：

在所述连通无向图中寻找与节点A以及节点B均满足预设互信息条件的点，并将寻找到的这些点组成点集Z；

从所述点集Z中依次取出变量z，计算在变量z条件下节点A和节点B的独立情况，若在所述点集Z中存在一个变量z使得在变量z条件下节点A和节点B独立，则确定在所述连通无向图中存在节点使其满足节点A和节点B独立，否则确定在所述连通无向图中不存在节点使其满足节点A和节点B独立。

进一步地，所述装置还包括N角环结构单元，获取无向图中所有的N角环结构，N≥4；对于每一N角环结构构造该N角环结构的所有非循环有向子图，根据得分函数确定出得分最高的非循环有向子图，并将得分最高的非循环有向子图的方向作为对应N角环结构的方向。

进一步地，所述第二优化单元包括：

蜜源生成模块，对于所述第一优化单元得到的第一优化图采用蜂群算法进行初始化，随机生成sn个可行解，sn表示蜜源个数，并将sn个蜜源分给sn个雇佣蜂；所述蜜源表示图结构中的边；

迭代模块，采用蜂群算法进行一次迭代过程，并在迭代过程结束后，评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向；其中，根据评价结果更新每只雇佣蜂的蜜源，包括：在新蜜源的适应度大于当前蜜源的适应度时将得到的新蜜源替代当前蜜源作为对应雇佣蜂的蜜源，否则继续保留当前蜜源作为对应雇佣蜂的蜜源；

第三循环模块，重复调用所述迭代模块直至满足预设迭代次数，得到与sn个雇佣蜂一一对应的sn个最优蜜源，并由所述sn个最优蜜源构成第二优化图。

进一步地，所述迭代模块具体用于执行如下过程：

采用蜂群算法进行一次迭代过程，并在迭代过程结束后，利用K2评分算法评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向。

由上述技术方案可知，本发明提供的蜂群优化方法，首先根据给定的预设数据集基于互信息建立无向图；其次将得到的无向图变为连通无向图；然后开始对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；接着利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；最后利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。可见，本发明提供的蜂群优化方法，由于采用完整且带有方向的第二优化图作为蜂群算法的初始搜索图，故能够有效降低蜂群算法陷入局部优化的概率，尽可能地使得蜂群算法得到最优的搜索结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的蜂群优化方法的一种流程图；

图2是本发明一实施例提供的步骤102将所述无向图处理为连通无向图的流程图；

图3是本发明一实施例提供的步骤103对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图的流程图；

图4是本发明一实施例提供的蜂群优化方法的另一种流程图；

图5是本发明一实施例提供的步骤104利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图的流程图；

图6是本发明另一实施例提供的蜂群优化装置的一种结构示意图；

图7是本发明另一实施例提供的处理单元62的结构示意图；

图8是本发明另一实施例提供的第一优化单元63的结构示意图；

图9是本发明另一实施例提供的蜂群优化装置的另一种结构示意图；

图10是本发明另一实施例提供的第二优化单元64的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

蜂群算法的性能极大地受到原始图的影响，然而一般情况下的原始图很难满足蜂群算法对原始图的要求，这使得蜂群算法很容易陷入局部最优的困境。针对这一问题，本发明提供了一种蜂群优化方法，本发明从原始数据中获得初始图，并对初始图进行优化，然后利用得到的优化图作为蜂群算法的初始搜索图，使得蜂群算法的性能得到极大的提高，有效降低了蜂群算法陷入局部优化的概率，使得蜂群算法较为容易地搜索到最优结果。下面将通过第一至第二实施例对本发明进行详细解释说明。

图1示出了本发明第一个实施例提供的蜂群优化方法的流程图，参见图1，本发明第一个实施例提供的蜂群优化方法包括如下步骤：

步骤101：根据给定的预设数据集，基于互信息建立无向图。

步骤102：将所述无向图处理为连通无向图。

步骤103：对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图。

步骤104：利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图。

步骤105：利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。

可见，本发明提供的蜂群优化方法，由于采用完整且带有方向的第二优化图作为蜂群算法的初始搜索图，故能够有效降低蜂群算法陷入局部优化的概率，尽可能地使得蜂群算法得到最优的搜索结果。

在一种可选实施方式中，所述步骤101具体包括：

利用互信息确定所述预设数据集中各变量之间的独立程度，根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

在本步骤中，利用所述预设数据集中各变量之间的互信息MIC来测定各变量之间的独立程度，进而根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

在本步骤中，通过判断预设数据集中任意两个变量X和Y之间的互信息来建立无向边，进而建立无向图。若变量X和变量Y满足下式，则可以在变量X和变量Y之间建立一条无向边：

其中，X表示预设数据集中的一个随机变量；Y表示预设数据集中的另一个随机变量；MIC(X；Y)表示X对Y计算得出的互信息；MIC(Y；X)表示Y对X计算得出的互信息(由于X，Y的互信息是对称的，故两者相等)；MMIC(X)表示随机变量X的最大信息系数(最大信息系数是互信息的最大值)；MMIC(Y)表示随机变量Y的最大信息系数。

优选地，上述调节系数α＝0.9，这是因为在测试过程中发现当α取这个数值时可以使得所述预设数据集中包含绝大多数真正的边。

按照上述基于互信息的判断过程可以得到与所述预设数据集对应的无向图P₀：

V＝{attributes in D},E＝φ,P₀＝{V,E}

其中，D表示预设数据集；V表示预设数据集基于互信息得出的无向图的节点变量集；E表示预设数据集基于互信息得出的无向图的边变量集；P₀表示预设数据集基于互信息得出的无向图(包含边和节点)。

具体地，本步骤101包括如下处理过程：

a1、计算变量X与变量Y之间的互信息MIC(X,Y)，其中，X，Y是取自节点变量集V的两个变量；

b1、确定变量X的最大信息系数MMIC(X)；

c1、确定与变量X可能有边连接关系的变量Y：

d1、确定与变量X有可能连接的边：L＝{(X,Y)|Y∈List(X)orX∈List(Y)},其中，L表示与变量X有可能连接的边，List(Y)表示与变量Y可能有边连接关系的变量X；

e1、向边变量集E中添加变量X与变量Y之间的无向边；即向P₀中添加无向边X-Y，即E＝E∪{X-Y},

可以理解的是，上述步骤101中建立的无向边可能并没有完整的连接整个图。其中，完整的连接意味着有一个任意节点之间的至少存在一个路径与和图中的其他节点连接。为了得到连通无向图，在本发明实施例的其他实施方式中，采用基于图论让图连接组件使其履行连通性。

例如，在一种可选实施方式中，参见图2，上述步骤102具体包括如下子步骤：

步骤1021、获取所述无向图中当前所有的连接组件，所述连接组件为所述无向图中相互分离不连通的部分。

在本步骤中，所述无向图为步骤101得到的无向图。对于步骤101建立的无向图来说，如果结构不是完整的连接，那么将有至少两个不同的部分为V_K和V_T，其中，V_K和V_T表示无向图中的两个连接组件(无向图中相互分离不连通的部分叫做连接组件)；连接组件V_K和V_T中分别包含了大量的点，因此V_K和V_T可以分别看出是一个点集。下面将引入一个变量集之间的互信息的概念，以对步骤101得到的无向图进行连通处理，得到连通无向图。

其中，变量集V_K和V_T之间的互信息概念可以由下式给出(即两个变量集之间的最大信息系数等于分别来自这来两个变量集中的两个节点之间互信息的最大值)：

其中，MMIC(V_K；V_T)表示变量集V_K和V_T之间的最大信息系数；MIC(X_I；Y_J)表示两节点X_I和Y_J之间的互信息；X_I表示取自点集V_K的任意点，Y_J表示取自点集V_T的任意点。

在本步骤中，设经上述步骤101得到的结构为G₁(也即P₀)，令：

G₂＝G₁＝{V₁，E₁}；

其中，V₁表示属于结构G₁的点集；E₁表示属于结构G₁的边集；G₁表示经上述步骤101处理后得到的结构(包含点和无向边，但得到的无向边未必是连通的，故包含大量连接组件)；G₂与G₁相同，后续将对G₂进行处理，通过添加无向边的方式以去掉大量连接组件。

在本步骤中，寻找G₂中当前所有的连接组件，记为G_2.1，G_2.2，…。

步骤1022、对于步骤1021获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知两个连接组件之间的互信息满足预设条件，则在两个连接组件之间建立无向边，使该两个连接组件组成一个连接组件。

在本步骤中，对于步骤1021获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，具体地，若判断获知来自连接组件一上的任意节点A与来自连接组件二上的任意节点B之间的互信息大于连接组件一和连接组件二之间的最大信息系数的预设倍数，则在连接组件一和连接组件二之间建立无向边，使连接组件一和连接组件二组成一个连接组件，其中A≠B。

例如，在本步骤中，选择任意两个变量集设为V_2.k和V_2.t分别取自G_2.k和G_2.t；G_2.k和G_2.t是结构G₂中的任意两个连接组件，V_2.k和V_2.t分别为取自G_2.k和G_2.t的点集；计算这两个点集之间的MMIC(V_2.k；V_2.t)，MMIC(V_2.k；V_2.t)表示点集V_2.k和V_2.t之间的最大信息系数，k,t为正整数k≠t；然后，若判断满足下述条件(即分别来自这两个点集中的任意两个节点之间的互信息只要大于0.9倍的两个点集之间的最大信息系数就可以在这两个点集之间添加无向边)，则在这两个点集V_2.k和V_2.t之间建立一个无向边：

其中，MIC(X_I；Y_J)表示两节点X_I和Y_J之间的互信息；X_I表示取自点集V_2.k的任意点，Y_J表示取自点集V_2.t的任意点，MMIC(V_K；V_T)表示变量集V_K和V_T之间的最大信息系数；可以理解的是，α还可以取别的值，如取0.85或0.92等。

步骤1023、重复步骤1021至1022直至所述无向图为一个完整的连通无向图。

在本步骤中，重复步骤1021至1022(因为经过步骤1022添加无向边之后G₂中的连接组件变少，故重复步骤1021至1022)直到只有一个完整连通的图，这样一个无向的连通图就建成了。然而这种连通无向图可能会包含一些三角环，而三角环往往包含着不在网络结构中的错误边，因此在后续的步骤103中需要消除这些三角环。

由上面描述可知，由于上述步骤102得到的连通无向图中可能会包含一些真实网络中不存在的边，故在步骤103中需要消除这些多余的边，以精简所述连通无向图。因此，在一种可选实施方式中，参见图3，所述步骤103具体包括如下子步骤：

步骤1031、获取所述连通无向图中所有的三角环结构。

步骤1032、对于所述连通无向图中的任一个由节点A、B、C组成的三角环结构，在节点C的条件下测试节点A和节点B的独立情况，若在节点C的条件下节点A和节点B独立，则删除连接节点A和节点B的e边；若在节点C的条件下节点A和节点B不独立，则判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况；若在所述连通无向图中查找到一节点D使得在节点D的条件下节点A和节点B独立，则删除连接节点A和节点B的e边，并添加边：A到D，D到B；其中，节点D为所述连通无向图中的节点；若在所述连通无向图中查找不到任一节点D使得在节点D的条件下节点A和节点B独立，则在由节点A、B、C组成的三角环结构中删除任意一条边。

在本步骤中，所述判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况，可以为：

在所述连通无向图中寻找与节点A以及节点B均满足预设互信息条件的点，并将寻找到的这些点组成点集Z；从所述点集Z中依次取出变量z，计算在变量z条件下节点A和节点B的独立情况，若在所述点集Z中存在一个变量z使得在变量z条件下节点A和节点B独立，则确定在所述连通无向图中存在节点使其满足节点A和节点B独立，否则确定在所述连通无向图中不存在节点使其满足节点A和节点B独立。

步骤1033、重复执行上述步骤1032以消除所述连通无向图中所有的三角环结构，得到去除多余边的第一优化图。

例如，假设两节点A和B它们之间有一边e，在三角环的另一节点C的条件下测试变量A和B的独立情况。如果条件独立性成立，也就是说，条件C下变量A和B是独立的，然后可以删除连接节点A和B的e边，如果条件独立测试失败，可能存在A，B存在于其他三角环的情况，所以在这阵情况下必须测试在其他变量z的条件下A和B变量的独立性。为得到变量z，本步骤使用上述提到的方法，利用互信息，再次评分衡量变量间的相关性。

在细节上变量z必须满足以下关系式：

其中，MIC(X；Z)表示X对Y计算得出的互信息；MMIC(Z)表示Z的最大信息系数；MIC(Y；Z)表示Y对Z计算得出的互信息；β表示调节系数，其可以取经试验得出的最佳值，如0.8，当取这个值时包含最多的真正的边。

然后，将所有这些合格的变量z按得分总和MIC(X,z)加MIC(Y,z)组成一递减序列Z。在取自序列Z中的变量z条件下A和B独立，那么删除连接A和B的边e，并添加边：A到z，z到B。如果在Z列中所有变量都被测试了，所有的以上操作都不能消除三角环，那么再去任意选择一个在环内的节点F作为一个V型结构汇聚节点并删除其他的不相邻边(也即在由节点A、B、C组成的三角环结构中删除任意一条边)。

例如，上述过程可通过以下方法实现：

A：对于上述步骤101得到的连通无向图中的一个三角环结构X_i-X_j-X_k-X_i:

①若删除X_j-X_k后下式成立P(X_j|X_k)＝P(X_j|X_k，X_i)，则E＝E\{X_J-X_K}，并转步骤A，这里转步骤A的意思是不停重复①步骤即从边集E中去除不同的三角环的无向边，把所有的三角环都消除；其中，X_i，X_j，X_k分别表示三角环中的三个点；E表示边变量集简称边集，符号\表示去除某条边，P(X_j|X_k)表示条件概率：X_k成立条件下X_j成立的概率；P(X_j|X_k，X_i)表示X_k、X_i成立条件下X_j成立的概率。

②若删除边X_i-X_k后下式成立P(X_k|X_j)＝P(X_k|X_j，X_i)则E＝E\{X_i-X_k}，转步骤A；同上。

如果以上所有的操作都无法消除三角环，那么三角环必定在真实的网络存在，此时可以选择三角环任意一个节点C作为V字结构作为一个结构汇聚节点，并删除其他没有一个相邻边的边。经过以上的消除，可以得到一个无向且没有任何三角环的结构。

此外，对于四节点，五节点环等可以采用穷举搜索法来制定它的方向，但首先要确定它的无环性。还好这种结构往往是单一方向，并不会产生环，因此可以通过穷举搜索来确定它的边的方向而并不需要消除它。例如，参见图4所示的流程图，在步骤104之前上述方法还包括如下处理过程B。

B：获取所述连通无向图中所有的N角环结构，N≥4；对于每一N角环结构构造该N角环结构的所有非循环有向子图，根据得分函数确定出得分最高的非循环有向子图，并将得分最高的非循环有向子图的方向作为对应N角环结构的方向。

在经上述步骤103消除连通无向图中的多余边得到第一优化图之后，可以采用蜂群算法对所述第一优化图进行二次优化，以补充所述第一优化图中缺失的边以及确定各边的方向，以得到完整且带有方向的第二优化图。

在一种可选实施方式中，参见图5，所述步骤104具体包括：

利用蜂群算法补充所述初始图中缺失的边以及确定各边的方向，以得到带有方向的完整初始图。

在本步骤104中，利用蜂群算法具体执行如下处理过程以补充所述第一优化图中缺失的边以及确定各边的方向，以得到完整且带有方向的第二优化图：

步骤1041：对于步骤103得到的第一优化图采用蜂群算法进行初始化，随机生成sn个可行解，sn表示蜜源个数，并将sn个蜜源分给sn个雇佣蜂；所述蜜源表示图结构中的边；

步骤1042：采用蜂群算法进行一次迭代过程，并在迭代过程结束后，评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向；其中，根据评价结果更新每只雇佣蜂的蜜源，包括：在新蜜源的适应度大于当前蜜源的适应度时将得到的新蜜源替代当前蜜源作为对应雇佣蜂的蜜源，否则继续保留当前蜜源作为对应雇佣蜂的蜜源。

在本步骤1042中，采用蜂群算法进行一次迭代过程，并在迭代过程结束后，利用K2评分算法评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向。

在本步骤1042中，雇佣蜂记录目前为止的最优解并在邻域内展开搜索得到搜索解，然后根据K2评分函数计算搜索解的K2评分结果，最后根据K2评分结果确定是否需要向第一优化图述中补充或添加边。其中，在利用K2评分补充完缺失的边以后，贪心算法会对比边的方向，选择得分最高的边方向和边结构；当达到最大迭代次数时得到的结构即为带有方向的完整图。

其中，K2评分函数或K2评分算法是一种较为成熟的处理过程，故本实施例对此不再做过多的介绍。

步骤1043：重复执行步骤1042直至满足预设迭代次数，得到与sn个雇佣蜂一一对应的sn个最优蜜源，并由所述sn个最优蜜源构成第二优化图。

由上述技术方案可知，本发明实施例提供的蜂群优化方法，首先根据给定的预设数据集基于互信息建立无向图；其次将得到的无向图变为连通无向图；然后开始对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；接着利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；最后利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。可见，本发明实施例提供的蜂群优化方法，由于采用完整且带有方向的第二优化图作为蜂群算法的初始搜索图，故能够有效降低蜂群算法陷入局部优化的概率，尽可能地使得蜂群算法得到最优的搜索结果。

本发明第二个实施例提供了一种蜂群优化装置，参见图6，该装置包括：建立单元61、处理单元62、第一优化单元63、第二优化单元64和搜索单元65，其中：

建立单元61，用于根据给定的预设数据集，基于互信息建立无向图；

处理单元62，用于将所述无向图处理为连通无向图；

第一优化单元63，用于对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；

第二优化单元64，用于利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；

搜索单元65，用于利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。

在一种可选实施方式中，所述建立单元61，用于执行如下过程：

利用互信息确定所述预设数据集中各变量之间的独立程度，根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

在一种可选实施方式中，参见图7，所述处理单元62包括：连接组件获取模块621，获取所述无向图中当前所有的连接组件，所述连接组件为所述无向图中相互分离不连通的部分；

无向边构建模块622，对于所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知两个连接组件之间的互信息满足预设条件，则在两个连接组件之间建立无向边，使该两个连接组件组成一个连接组件；

第一循环模块623，重复调用所述连接组件获取模块621和无向边构建模块622，直至所述无向图为一个完整的连通无向图。

在一种可选实施方式中所述无向边构建模块622具体用于执行如下过程：

对于连接组件获取模块621获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知来自连接组件一上的任意节点A与来自连接组件二上的任意节点B之间的互信息大于连接组件一和连接组件二之间的最大信息系数的预设倍数，则在连接组件一和连接组件二之间建立无向边，使连接组件一和连接组件二组成一个连接组件。

在一种可选实施方式中，参见图8，所述第一优化单元63包括：三角环获取模块631、删除模块632和第二循环模块633，其中：

三角环获取模块631，获取所述连通无向图中所有的三角环结构；

删除模块632，对于所述连通无向图中的任一个由节点A、B、C组成的三角环结构，在节点C的条件下测试节点A和节点B的独立情况，若在节点C的条件下节点A和节点B独立，则删除连接节点A和节点B的e边；若在节点C的条件下节点A和节点B不独立，则判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况；若在所述连通无向图中查找到一节点D使得在节点D的条件下节点A和节点B独立，则删除连接节点A和节点B的e边，并添加边：A到D，D到B；其中，节点D为所述连通无向图中的节点；若在所述连通无向图中查找不到任一节点D使得在节点D的条件下节点A和节点B独立，则在由节点A、B、C组成的三角环结构中删除任意一条边；

第二循环模块633，重复调用所述删除模块632以消除所述连通无向图中所有的三角环结构，得到去除多余边的第一优化图。

在一种可选实施方式中，所述删除模块632具体用于执行如下过程：

在所述连通无向图中寻找与节点A以及节点B均满足预设互信息条件的点，并将寻找到的这些点组成点集Z；

从所述点集Z中依次取出变量z，计算在变量z条件下节点A和节点B的独立情况，若在所述点集Z中存在一个变量z使得在变量z条件下节点A和节点B独立，则确定在所述连通无向图中存在节点使其满足节点A和节点B独立，否则确定在所述连通无向图中不存在节点使其满足节点A和节点B独立。

在一种可选实施方式中，参见图9，所述装置还包括N角环结构单元66，所述N角环结构单元66，获取连通无向图中所有的N角环结构，N≥4；

对于每一N角环结构构造该N角环结构的所有非循环有向子图，根据得分函数确定出得分最高的非循环有向子图，并将得分最高的非循环有向子图的方向作为对应N角环结构的方向。

在一种可选实施方式中，参见图10，所述第二优化单元64包括：蜜源生成模块641、迭代模块642和第三循环模块643，其中：

蜜源生成模块641，对于所述第一优化单元得到的第一优化图采用蜂群算法进行初始化，随机生成sn个可行解，sn表示蜜源个数，并将sn个蜜源分给sn个雇佣蜂；所述蜜源表示图结构中的边；

迭代模块642，采用蜂群算法进行一次迭代过程，并在迭代过程结束后，评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向；其中，根据评价结果更新每只雇佣蜂的蜜源，包括：在新蜜源的适应度大于当前蜜源的适应度时将得到的新蜜源替代当前蜜源作为对应雇佣蜂的蜜源，否则继续保留当前蜜源作为对应雇佣蜂的蜜源；

第三循环模块643，重复调用所述迭代模块642直至满足预设迭代次数，得到与sn个雇佣蜂一一对应的sn个最优蜜源，并由所述sn个最优蜜源构成第二优化图。

在一种可选实施方式中，所述迭代模块642具体用于执行如下过程：

采用蜂群算法进行一次迭代过程，并在迭代过程结束后，利用K2评分算法评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向。

本实施例所述的蜂群优化装置，可以用于执行上述实施例所述的蜂群优化方法，其原理和技术效果类似，此处不再详述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (18)

1.一种蜂群优化方法，其特征在于，包括如下步骤：

根据给定的预设数据集，基于互信息建立无向图；

将所述无向图处理为连通无向图；

对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；

利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；

利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。

2.根据权利要求1所述的方法，其特征在于，所述根据给定的预设数据集，基于互信息建立无向图的步骤包括：

利用互信息确定所述预设数据集中各变量之间的独立程度，根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

3.根据权利要求2所述的方法，其特征在于，所述将所述无向图处理为连通无向图的步骤包括：

连接组件获取步骤，获取所述无向图中当前所有的连接组件，所述连接组件为所述无向图中相互分离不连通的部分；

无向边构建步骤，对于所有的连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知两个连接组件之间的互信息满足预设条件，则在两个连接组件之间建立无向边，使该两个连接组件组成一个连接组件；

重复执行所述连接组件获取步骤和所述无向边构建步骤，直至所述无向图为一个完整的连通无向图。

4.根据权利要求3所述的方法，其特征在于，所述无向边构建步骤包括：

对于所述连接组件获取步骤中获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知来自连接组件一上的任意节点A与来自连接组件二上的任意节点B之间的互信息大于连接组件一和连接组件二之间的最大信息系数的预设倍数，则在连接组件一和连接组件二之间建立无向边，使连接组件一和连接组件二组成一个连接组件。

5.根据权利要求3所述的方法，其特征在于，所述对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图的步骤包括：

三角环获取步骤，获取所述连通无向图中所有的三角环结构；

删除步骤，对于所述连通无向图中的任一个由节点A、B、C组成的三角环结构，在节点C的条件下测试节点A和节点B的独立情况，若在节点C的条件下节点A和节点B独立，则删除连接节点A和节点B的e边；若在节点C的条件下节点A和节点B不独立，则判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况；若在所述连通无向图中查找到一节点D使得在节点D的条件下节点A和节点B独立，则删除连接节点A和节点B的e边，并添加边：A到D，D到B；其中，节点D为所述连通无向图中的节点；若在所述连通无向图中查找不到任一节点D使得在节点D的条件下节点A和节点B独立，则在由节点A、B、C组成的三角环结构中删除任意一条边；

重复执行所述删除步骤以消除所述连通无向图中所有的三角环结构，得到去除多余边的第一优化图。

6.根据权利要求5所述的方法，其特征在于，所述判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况，包括：

在所述连通无向图中寻找与节点A以及节点B均满足预设互信息条件的点，并将寻找到的这些点组成点集Z；

从所述点集Z中依次取出变量z，计算在变量z条件下节点A和节点B的独立情况，若在所述点集Z中存在一个变量z使得在变量z条件下节点A和节点B独立，则确定在所述连通无向图中存在节点使其满足节点A和节点B独立，否则确定在所述连通无向图中不存在节点使其满足节点A和节点B独立。

7.根据权利要求3～6任一项所述的方法，其特征在于，在所述利用蜂群算法对所述第一优化图进行二次优化的步骤之前，所述方法还包括：

获取连通无向图中所有的N角环结构，N≥4；对于每一N角环结构构造该N角环结构的所有非循环有向子图，根据得分函数确定出得分最高的非循环有向子图，并将得分最高的非循环有向子图的方向作为对应N角环结构的方向。

8.根据权利要求5所述的方法，其特征在于，所述利用蜂群算法对所述第一优化图进行二次优化的步骤包括：

初始化步骤，对于所述第一优化图采用蜂群算法进行初始化，随机生成sn个可行解，sn表示蜜源个数，并将sn个蜜源分给sn个雇佣蜂；所述蜜源表示图结构中的边；

迭代步骤，采用蜂群算法进行一次迭代过程，并在迭代过程结束后，评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向；其中，根据评价结果更新每只雇佣蜂的蜜源，包括：在新蜜源的适应度大于当前蜜源的适应度时将得到的新蜜源替代当前蜜源作为对应雇佣蜂的蜜源，否则继续保留当前蜜源作为对应雇佣蜂的蜜源；

重复执行所述迭代步骤直至满足预设迭代次数，得到与sn个雇佣蜂一一对应的sn个最优蜜源，并由所述sn个最优蜜源构成第二优化图。

9.根据权利要求8所述的方法，其特征在于，所述迭代步骤包括：

采用蜂群算法进行一次迭代过程，并在迭代过程结束后，利用K2评分算法评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向。

10.一种蜂群优化装置，其特征在于，包括：

建立单元，用于根据给定的预设数据集，基于互信息建立无向图；

处理单元，用于将所述无向图处理为连通无向图；

第一优化单元，用于对所述连通无向图进行初次优化，消除所述连通无向图中的多余边，得到第一优化图；

第二优化单元，用于利用蜂群算法对所述第一优化图进行二次优化，补充所述第一优化图中缺失的边并确定各边的方向，得到第二优化图；

搜索单元，用于利用所述第二优化图作为蜂群算法的初始搜索图进行最优值搜索。

11.根据权利要求10所述的装置，其特征在于，所述建立单元，用于执行如下过程：

利用互信息确定所述预设数据集中各变量之间的独立程度，根据各变量之间的独立程度建立与所述预设数据集对应的无向图。

12.根据权利要求11所述的装置，其特征在于，所述处理单元包括：

连接组件获取模块，获取所述无向图中当前所有的连接组件，所述连接组件为所述无向图中相互分离不连通的部分；

无向边构建模块，对于所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知两个连接组件之间的互信息满足预设条件，则在两个连接组件之间建立无向边，使该两个连接组件组成一个连接组件；

第一循环模块，重复调用所述连接组件获取模块和无向边构建模块，直至所述无向图为一个完整的连通无向图。

13.根据权利要求12所述的装置，其特征在于，所述无向边构建模块具体用于执行如下过程：

对于连接组件获取模块获取的所有连接组件，依次判断每两个连接组件之间的互信息是否满足预设条件直至完成所有连接组件的判断，若判断获知来自连接组件一上的任意节点A与来自连接组件二上的任意节点B之间的互信息大于连接组件一和连接组件二之间的最大信息系数的预设倍数，则在连接组件一和连接组件二之间建立无向边，使连接组件一和连接组件二组成一个连接组件。

14.根据权利要求12所述的装置，其特征在于，所述第一优化单元包括：

三角环获取模块，获取所述连通无向图中所有的三角环结构；

删除模块，对于所述连通无向图中的任一个由节点A、B、C组成的三角环结构，在节点C的条件下测试节点A和节点B的独立情况，若在节点C的条件下节点A和节点B独立，则删除连接节点A和节点B的e边；若在节点C的条件下节点A和节点B不独立，则判断在所述连通无向图中的其他节点的条件下节点A和节点B的独立情况；若在所述连通无向图中查找到一节点D使得在节点D的条件下节点A和节点B独立，则删除连接节点A和节点B的e边，并添加边：A到D，D到B；其中，节点D为所述连通无向图中的节点；若在所述连通无向图中查找不到任一节点D使得在节点D的条件下节点A和节点B独立，则在由节点A、B、C组成的三角环结构中删除任意一条边；

第二循环模块，重复调用所述删除模块以消除所述连通无向图中所有的三角环结构，得到去除多余边的第一优化图。

15.根据权利要求14所述的装置，其特征在于，所述删除模块具体用于执行如下过程：

在所述连通无向图中寻找与节点A以及节点B均满足预设互信息条件的点，并将寻找到的这些点组成点集Z；

从所述点集Z中依次取出变量z，计算在变量z条件下节点A和节点B的独立情况，若在所述点集Z中存在一个变量z使得在变量z条件下节点A和节点B独立，则确定在所述连通无向图中存在节点使其满足节点A和节点B独立，否则确定在所述连通无向图中不存在节点使其满足节点A和节点B独立。

16.根据权利要求12～15任一项所述的装置，其特征在于，所述装置还包括N角环结构单元，获取无向图中所有的N角环结构，N≥4；对于每一N角环结构构造该N角环结构的所有非循环有向子图，根据得分函数确定出得分最高的非循环有向子图，并将得分最高的非循环有向子图的方向作为对应N角环结构的方向。

17.根据权利要求14所述的装置，其特征在于，所述第二优化单元包括：

蜜源生成模块，对于所述第一优化单元得到的第一优化图采用蜂群算法进行初始化，随机生成sn个可行解，sn表示蜜源个数，并将sn个蜜源分给sn个雇佣蜂；所述蜜源表示图结构中的边；

迭代模块，采用蜂群算法进行一次迭代过程，并在迭代过程结束后，评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向；其中，根据评价结果更新每只雇佣蜂的蜜源，包括：在新蜜源的适应度大于当前蜜源的适应度时将得到的新蜜源替代当前蜜源作为对应雇佣蜂的蜜源，否则继续保留当前蜜源作为对应雇佣蜂的蜜源；

第三循环模块，重复调用所述迭代模块直至满足预设迭代次数，得到与sn个雇佣蜂一一对应的sn个最优蜜源，并由所述sn个最优蜜源构成第二优化图。

18.根据权利要求17所述的装置，其特征在于，所述迭代模块具体用于执行如下过程：

采用蜂群算法进行一次迭代过程，并在迭代过程结束后，利用K2评分算法评价每只雇佣蜂在其当前蜜源的邻域内搜索得到的新蜜源的适应度并根据评价结果更新每只雇佣蜂的蜜源，以及在更新蜜源后采用贪心算法确定每个蜜源的方向。