基于動態(tài)貝葉斯網(wǎng)絡的智能自主優(yōu)化機制研究.pdf

1、本文以基于動態(tài)貝葉斯網(wǎng)絡自主優(yōu)化為線索，展開動態(tài)貝葉斯網(wǎng)絡推理算法、平穩(wěn)系統(tǒng)動態(tài)貝葉斯網(wǎng)絡結構學習模型及非平穩(wěn)系統(tǒng)動態(tài)網(wǎng)絡變結構學習模型設計、動態(tài)貝葉斯網(wǎng)絡結構尋優(yōu)算法、進化優(yōu)化與動態(tài)貝葉斯網(wǎng)絡混合優(yōu)化等研究。推理算法以隱變量作為劃分依據(jù)，討論了離散、連續(xù)模型的推理算法，并進行了算法復雜度及應用領域的討論；結構學習研究首先從度量體制入手，討論了動態(tài)網(wǎng)路度量體制的可分解性，提出了平穩(wěn)及非平穩(wěn)系統(tǒng)網(wǎng)絡結構學習模型，以及基于貪婪算法思想的遺傳

2、算法尋優(yōu)思想。最終將DBN推理及結構學習理論與BN快速構型決策網(wǎng)絡優(yōu)化結合起來，用于自主優(yōu)化領域，并通過大量仿真檢驗。 本文具體對以下方面進行了研究工作： (1)提出了在不同環(huán)境、不同模式下合理選用DBN推理算法的若干方式，并通過性能分析對比試驗進行了驗證。即將DBN視為無時間軸的BN進行推理、轉化為標準的HMM進行推理、DBN直接推理算法推理對比，得出了如下結論：①當網(wǎng)絡變量少或耦合度高時，應優(yōu)先選用HMM推理機工作，

3、②當節(jié)點變量多且耦合度低時，優(yōu)先選用DBN直接推理算法，③對于KFM及其派生形式，應優(yōu)先選用經(jīng)典LDS推理機工作。這些結論為轉移網(wǎng)絡DBN應用推理感知環(huán)境奠定基礎。 (2)在DBN度量分解的基礎上，提出了分解度量可降低DBN結構尋優(yōu)時間及算法移植的思想，并通過大量的試驗仿真驗證了該思想的正確性。將基于BD、BIC度量的BN結構學習方法推廣到其動態(tài)系統(tǒng)，在諸多文獻基礎上，進一步細化了DBN結構度量分解公式，通過大量的結構算法性能試

4、驗，驗證了DBN度量可分解性的分解計算的時效性，為轉移網(wǎng)絡DBN快速構建結構算法奠定基礎。 (3)提出了基于BOA的DBN結構尋優(yōu)算法，用于DBN的結構學習。該算法包含四個基本步驟，即①建立初始種群，②尋找匹配于優(yōu)良解集S(t)的DBN，③應用前向模擬算法生成新的種群，④代替上一代種群重新進化，其中②是最關鍵的一步，遂設計了基于貪婪算法思想遺傳算法解決這一問題。最終的實驗仿真驗證了該算法的正確有效性。該算法是轉移網(wǎng)絡DBN感知環(huán)

5、境的重要環(huán)節(jié)。 (4)設計了平穩(wěn)隨機系統(tǒng)的DBN構圖模型以及非平穩(wěn)隨機系統(tǒng)變結構DBN結構學習模型，提出了模糊自適應度量法用于動態(tài)檢測和分解非平穩(wěn)隨機過程片斷，為DBN變結構學習，即動態(tài)感知環(huán)境奠定理論基礎。 (5)提出了DBN與EA的混合優(yōu)化自主優(yōu)化算法，將其用于自主智能體的動態(tài)決策。以DBN為轉移網(wǎng)絡，通過其已知結構的推理模型或結構學習模型感知環(huán)境，動態(tài)改變優(yōu)化的方向，取舍優(yōu)化節(jié)點，同時將感知結果映射到?jīng)Q策網(wǎng)絡BN，