相关实验视频
Updated: Jun 28, 2025
07:26
Foraging Path-length Protocol for Drosophila melanogaster Larvae
Published on: April 23, 2016
9.3K
动态贝叶斯网络结构学习基于改进的细菌食优化算法
Guanglei Meng1,2, Zelin Cong3,4, Tingting Li2
1School of Automation, Shenyang Aerospace University, Shenyang, 110136, China.
Scientific reports
|April 9, 2024
概括
这项研究引入了改进的细菌食优化算法 (IBFO-A) 和动态贝叶斯网络 (DBN) 结构学习方法 (IBFO-D). 这些算法提高了DBN结构学习效率和准确性,用于工程应用中的复杂的基于时间的数据.
科学领域:
- 人工智能的人工智能
- 数据科学数据科学数据科学
- 可能性的图形模型
背景情况:
- 动态贝叶斯网络 (DBNs) 在工程中被广泛使用.
- 集群智能算法为DBN提供了强大的优化.
- 现有的方法与DBN结构学习效率和准确性作斗争.
研究的目的:
- 为增强全球和本地搜索能力提出改进的细菌食优化算法 (IBFO-A).
- 开发一种新的DBN结构学习方法 (IBFO-D),利用IBFO-A进行复杂的基于时间的数据.
- 提高DBN结构学习的效率和准确性.
主要方法:
- 开发了具有四层框架的IBFO-A:混乱映射初始化,Osprey启发的探索,基于基因的传播和消除-分散.
- 引入IBFO-D用于DBN结构学习,集成动态K2评分,V结构规则和趋势活动.
- 应用了"最适者生存"和"消除-分散"策略,以选择最佳的网络结构.
主要成果:
- 在基准函数和各种数据类型上,IBFO-A表现出良好的收性,稳定性和准确性.
- IBFO-D有效地学习了DBN结构,在准确性和效率方面超过了现有的方法.
- 对基准测试函数和2T-BN网络的实验验证证证了算法的性能.
结论:
- IBFO-A为群集智能提供了一个强大的优化框架.
- IBFO-D提供了一个实用和有效的解决方案,用于从数据中学习DBN结构.
- 提出的方法对工程应用,包括复杂的时间数据分析具有重大价值.
