论文部分内容阅读
本文以基于动态贝叶斯网络自主优化为线索，展开动态贝叶斯网络推理算法、平稳系统动态贝叶斯网络结构学习模型及非平稳系统动态网络变结构学习模型设计、动态贝叶斯网络结构寻优算法、进化优化与动态贝叶斯网络混合优化等研究。推理算法以隐变量作为划分依据，讨论了离散、连续模型的推理算法，并进行了算法复杂度及应用领域的讨论；结构学习研究首先从度量体制入手，讨论了动态网路度量体制的可分解性，提出了平稳及非平稳系统网络结构学习模型，以及基于贪婪算法思想的遗传算法寻优思想。最终将DBN推理及结构学习理论与BN快速构型决策网络优化结合起来，用于自主优化领域，并通过大量仿真检验。本文具体对以下方面进行了研究工作：(1)提出了在不同环境、不同模式下合理选用DBN推理算法的若干方式，并通过性能分析对比试验进行了验证。即将DBN视为无时间轴的BN进行推理、转化为标准的HMM进行推理、DBN直接推理算法推理对比，得出了如下结论：①当网络变量少或耦合度高时，应优先选用HMM推理机工作，②当节点变量多且耦合度低时，优先选用DBN直接推理算法，③对于KFM及其派生形式，应优先选用经典LDS推理机工作。这些结论为转移网络DBN应用推理感知环境奠定基础。(2)在DBN度量分解的基础上，提出了分解度量可降低DBN结构寻优时间及算法移植的思想，并通过大量的试验仿真验证了该思想的正确性。将基于BD、BIC度量的BN结构学习方法推广到其动态系统，在诸多文献基础上，进一步细化了DBN结构度量分解公式，通过大量的结构算法性能试验，验证了DBN度量可分解性的分解计算的时效性，为转移网络DBN快速构建结构算法奠定基础。(3)提出了基于BOA的DBN结构寻优算法，用于DBN的结构学习。该算法包含四个基本步骤，即①建立初始种群，②寻找匹配于优良解集S(t)的DBN，③应用前向模拟算法生成新的种群，④代替上一代种群重新进化，其中②是最关键的一步，遂设计了基于贪婪算法思想遗传算法解决这一问题。最终的实验仿真验证了该算法的正确有效性。该算法是转移网络DBN感知环境的重要环节。(4)设计了平稳随机系统的DBN构图模型以及非平稳随机系统变结构DBN结构学习模型，提出了模糊自适应度量法用于动态检测和分解非平稳随机过程片断，为DBN变结构学习，即动态感知环境奠定理论基础。(5)提出了DBN与EA的混合优化自主优化算法，将其用于自主智能体的动态决策。以DBN为转移网络，通过其已知结构的推理模型或结构学习模型感知环境，动态改变优化的方向，取舍优化节点，同时将感知结果映射到决策网络BN，后应用EA算法对BN进行结构寻优，找到适合当前问题的实时最优解，从而指导智能体在无人干预情况下完成任务。