贝叶斯网络推理学习的混合粒子群-差分算法

针对启发式算法应用于贝叶斯网络推理学习易陷入局部最优和寻优效率低的问题,提出一种基于混合粒子群-差分法的贝叶斯网络推理算法.该算法利用自适应的反向学习策略增加初始种群的多样性,将差分变异算子引入离散粒子群算法,提出自适应概率分层搜索策略平衡局部搜索与全局搜索,并根据levy飞行机制建立自适应的变异策略避免算法陷入局部最优.由算法的收敛性分析可知,通过迭代搜索可以找到贝叶斯网络的最大可能解释.实验结果表明与其他算法相比收敛精度与寻优效率均有提升.