基于BRKGA算法的贝叶斯网络结构优化方法及装置与流程

技术特征：
1.一种基于brkga算法的贝叶斯网络结构优化方法，其特征在于，所述方法包括：检测到待预测任务中贝叶斯网络预测精度低于预设值时，生成贝叶斯网络结构优化指令；根据所述贝叶斯网络结构优化指令，获取贝叶斯网络结构；所述贝叶斯网络结构为dag图；所述dag图包括：节点集和边集；所述节点集中的节点为所述待预测任务中的随机变量；生成若干个[0,1]之间多个随机数组成的随机键向量；将no tears算法作为解码器对所述随机键向量进行解码，得到贝叶斯网络结构优化问题的初始解；根据所述初始解和预先设置的损失函数，计算每个所述初始解的适应值；对所述适应值进行排序，得到精英个体集；根据所述精英个体集，采用遗传算法进行交叉和变异操作，输出贝叶斯网络结构优化问题的全局近似解；所述全局近似解为连续值矩阵；对所述连续值矩阵进行离散化，得到全局近似邻接矩阵，根据所述全局近似邻接矩阵，得到优化后的贝叶斯网络结构。2.根据权利要求1所述的方法，其特征在于，将no tears算法作为解码器对所述随机键向量进行解码，得到贝叶斯网络结构优化问题的初始解，包括：根据no tears算法，构建第一寻优模型为：h(w)＝tr(e
wow
)
‑
d其中，l表示损失函数，w表示实数矩阵，x表示数据矩阵，n是随机键向量大小；wow表示hardmard积，e
wow
表示矩阵指数，h(w)表示有向无环图中的无环约束，d表示数据维数；通过带有二次惩罚项的增广拉格朗日方法来优化所述第一寻优模型，得到第二寻优模型为：根据所述第二寻优模型的对偶表达式，得到解码器为：d(α)＝minl
ρ
(w,α)(w,α)其中，是初始解，α是拉格朗日乘数，ρ是步长；将所述随机键向量作为实数矩阵输入到所述解码器进行解码，得到贝叶斯网络结构优化问题的初始解。3.根据权利要求1所述的方法，其特征在于，对所述适应值进行排序，得到精英个体集，包括：对所述适应值进行从小到大排序，选择排序后前20％对应的初始解构建精英个体集。4.根据权利要求1所述的方法，其特征在于，根据所述精英个体集，采用遗传算法进行
交叉和变异操作，输出贝叶斯网络结构优化问题的全局近似解，包括：根据所述精英个体集，采用遗传算法进行交叉和变异操作，通过变异算子生成变异个体，精英个体集被直接复制到下一代并执行交叉运算，得到交叉个体，将所述变异个体和所述交叉个体合并形成新一代个体集，并计算每个个体的适应值，当达到预设的迭代条件时，得到贝叶斯网络结构优化问题的全局近似解。5.根据权利要求4所述的方法，其特征在于，所述预设的迭代条件为最大迭代次数。6.根据权利要求1所述的方法，其特征在于，对所述连续值矩阵进行离散化，得到全局近似邻接矩阵，包括：若连续值矩阵中的元素大于阈值，则将元素设置为1，若连续值矩阵中的元素小于阈值，则将元素设置为0，得到全局近似邻接矩阵。7.根据权利要求1所述的方法，其特征在于，根据所述全局近似邻接矩阵，得到优化后的贝叶斯网络结构，包括：根据全局近似邻接矩阵，计算邻接矩阵中的迹，若邻接矩阵中的迹不等于零，随机选择与邻接矩阵的非零元素相对应的两个节点，删除节点所对应的边或反转两个节点之间的边，直至邻接矩阵的迹等于零；当前矩阵的迹为零时，计算矩阵的n次幂，使用上述方法继续判断矩阵的迹是否为零并做调整，递归上述过程，直至n等于矩阵的维数，得到优化后的贝叶斯网络结构。8.一种基于brkga算法的贝叶斯网络结构优化装置，其特征在于，所述装置包括：检测模块，用于检测到待预测任务中贝叶斯网络预测精度低于预设值时，生成贝叶斯网络结构优化指令；根据所述贝叶斯网络结构优化指令，获取贝叶斯网络结构；所述贝叶斯网络结构为dag图；所述dag图包括：节点集和边集；所述节点集中的节点为所述待预测任务中的随机变量；数据获取模块，用于生成若干个[0,1]之间多个随机数组成的随机键向量；解码模块，用于将no tears算法作为解码器对所述随机键向量进行解码，得到贝叶斯网络结构优化问题的初始解；适应值获取模块，用于根据所述初始解和预先设置的损失函数，计算每个所述初始解的适应值；对所述适应值进行排序，得到精英个体集和非精英个体集；交叉和变异模块，用于根据所述精英个体集，采用遗传算法进行交叉和变异操作，输出贝叶斯网络结构优化问题的全局近似解；所述全局近似解为连续值矩阵；离散模块，用于对所述连续值矩阵进行离散化，得到全局近似邻接矩阵，根据所述全局近似邻接矩阵，得到优化后的贝叶斯网络结构。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种基于BRKGA算法的贝叶斯网络结构优化方法及装置。所述方法包括：生成若干个[0,1]之间多个随机数组成的随机键向量；将NO TEARS算法作为解码器对随机键向量进行解码，得到贝叶斯网络结构优化问题的初始解；根据初始解和预先设置的损失函数，计算每个初始解的适应值；对适应值进行排序，得到精英个体集；根据精英个体集，采用遗传算法进行交叉和变异操作，输出贝叶斯网络结构优化问题的全局近似解；全局近似解为连续值矩阵；对连续值矩阵进行离散化，得到全局近似邻接矩阵，根据全局近似邻接矩阵，得到优化后的贝叶斯网络结构。采用本方法能够提高贝叶斯网络结构学习准确度。确度。确度。


技术研发人员：周鋆 孙宝丹 张维明 朱先强 朱承
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2021.07.19
技术公布日：2021/10/23