基于粒子群算法的贝叶斯网络学习开题报告

1. 研究目的与意义（文献综述）

1.1研究的目的及意义

粒子群算法最早是在1995由kenney和eberhart提出的一种群智能优化算法，它是一种基于迭代的优化工具，一种基于群体的随机优化技术。该算法源于对鸟群捕食行为的研究，具有程序设计简单、调节参数少等优点，这些优点使这类算法在很短的时间里就得到了广泛应用，展示出方兴未艾的强劲发展势头。pso算法的应用主要包括: 人工神经网络应用: 主要用来训练神经网络中权重及一些参数，也有用来对神经网络集成构造; 数据挖掘的应用: 主要应用于数据挖掘中的优化问题，其中有分类任务、决策树改进、贝叶斯网络训练、数据聚类等; 机器人路规化的应用: 主要应用于寻找机器人的最短路径问题。只要是有关复杂性的优化问题，pso算法基本都能发挥作用。但粒子群算法在实际使用中也面临着一个严重的问题，即它容易发生早熟收敛（尤其是在处理复杂的多峰搜索问题时），局部寻优能力较差，易陷入局部最优。为此提出一种新的基于粒子群算法的贝叶斯网络学习方法，其最大的特点是通过在贝叶斯网络模型中引入粒子群算法，使 得贝叶斯网络既能充分利用已建立的贝叶斯网络概率模型进行全局推理采样的同时，还能利用粒子群算法对当前的局部较优区域进行深度探索，通过分析可知，这个模型可以通过全局搜索和局部搜索提高算法的有效性和可靠性。

1.2 国内外研究现状

2. 研究的基本内容与方案

本课题拟达到的目标是：学习粒子群算法的主要思想和实现方法，并将该算法应用于贝叶斯网络学习，确定一个具体的问题建立模型，通过计算机编程实现贝叶斯网络学习，要求程序稳定可靠，结果具有一定的可行性。

为了完成上述目标，我们需要做以下几方面的工作：

1、深入了解粒子群算法

3. 研究计划与安排

表1 课题研究进度安排表

4. 参考文献（12篇以上）

[1] 高晓光, 邸若海, 郭志高.基于改进粒子群优化算法的贝叶斯网络结构学习[j]. 西北工业大学学报, 2014, 05: 749-755

[2] 朱明敏. 贝叶斯网络结构学习与推理研究[d]. 西安电子科技大学, 2013.

[3] 刘建华. 粒子群算法的基本理论及其改进研究[d]. 中南大学, 2009.