2013论文翻译(一篇基于贝叶斯网路学习和推理工作的关于进化算法的回顾).docxVIP

一篇贝叶斯网络学习和推理进化算法的综述 摘要：由于概率图模型固有的性能，使得它成为机器学习和决策任务的主要候选者之一，尤其在不确定领域。如果有效地使用它们的功能，比如表示、推理和学习，能极大地有助于建立可以在不同问题领域相应地起作用的智能系统。贝叶斯网络是这些模型中被最广泛使用的一种。贝叶斯网络方面的一些推理和学习任务涉及到复杂的优化问题，这些问题需要使用元启发式算法。作为成功的问题求解者，进化算法是优化的有希望的候选者。这篇文章回顾了进化算法在解决一些有关贝叶斯网络推理和学习上NP难的最优化问题的应用。 1. 引论 概率论已经为许多科学和工程工作提供了一种可靠的基础。人工智能和更多具体的机器学习是利用概率开发新的原理和算法的领域之一。贝叶斯网络作为一种流行的概率图模型，第一次被珀尔提出【105】，它结合图形和概率论来获得联合概率分布的一种更易于理解的表示。这个工具可以指出根本问题中的有用的模块性，帮助完成推理和决策任务，尤其在不确定领域。这些有用工具的应用已经被进一步改善，利用不同的方法提出了一组样本的概率图模型推理和自动感应。 与此同时，现实世界的应用中存在的困难和复杂问题，增加了对有效的元启发式算法的要求，这些算法通过实施对可能解空间的智能搜索来获得良好的（不一定是最优的）解决方案。进化计算是这些算法中最成功的一个，它在广泛的问题领域获得了非常好的效果。应用这些算法的自然启发机制，可以实施一种更有效的多样的关于难问题的巨大解空间的搜索。例如，适者生存或基因互换和突变，人口候选解决方案，进化算法（比如遗传算法）。 一些最相关的贝叶斯网络推理和学习问题被用公式表示成一个函数的优化。这些问题常常有一种棘手的复杂性，因此是应用元启发式方法的潜在领域。这篇文章的目的是回顾进化算法是怎样用来解决一些贝叶斯网络推理和学习上存在的组合问题的。 这篇文章的组织如下。第二部分介绍贝叶斯网络和回顾关于其提出的一些推理的学习方法。第三部分展现了进化算法的框架和讨论它们是怎样运行的。主要的回顾关于进化算法是怎样在贝叶斯网络学习和推理中应用在第四部分给出。最后，第五部分总结文章。 2. 贝叶斯网络 这一部分给出了贝叶斯网络的介绍和贝叶斯网络怎样被用到表示离散的、连续的、混合的环境下的概率分布。然后简洁的回顾贝叶斯网络推理和学习的方法。这部分采纳和引进的术语和概念在之后的展现用进化算法来学习贝叶斯网络推理和学习中会用到。更多的关于贝叶斯网络和概率图模型的信息，参见Koller 和Friedman【74】，和Larranaga和Moral【83】。 2.1、有关概率的概念 是一个随机变量向量，是这些变量的一个可能的组合值，表示的一个可能值，是的第i个分量，y表示子向量, 的一个可能组合值。 如果X中的所有变量是离散的，（或简单的）用来表示变量的一个特定组合x的联合概率质量.当给定时,变量的具体取值的条件概率质量表示为（或简单的）。相似地，对于连续变量，联合密度函数表示为及条件密度函数表示为。当向量中所有变量不相关时,用来代表广义的联合概率。Y、Z和W表示变量的三个不相交的子向量。那么，Y就叫做给定W时与Z条件独立（表示为），当且仅当对于所有的y，z，w，成立。 2.2、贝叶斯网络的定义 对于变量向量的一个贝叶斯网（BN）由两部分组成： ·S表示一个有向无环图（DAG）结构，用来表达变量间的条件独立【30】关系。 ·一系列的局部参数表示给定它们父节点的不同组合值时，每个变量值的条件概率分布，是根据结构S确定的。 图1a给出了一个含有六个变量的问题的贝叶斯网络结构。对于每个变量，i=1,…,n, 结构S表示当给定的父节点时，条件独立于它的除去父节点的非子孙节点。也就是，。这个性质被叫作贝叶斯网的马尔科夫条件。因此，一个贝叶斯网编译了变量们的联合概率分布的因式分解。 ， （1） 图1.一个贝叶斯网络结构和参数的例子，它的一个变量假设 这里表示父节点集的一个可能组合值，等式（1）陈述了一个贝叶斯网中的变量的联合概率分布可以计算为给定单变量父节点时，单变量的条件概率分布的乘积。这些条件概率分布在贝叶斯网中被编译为局部参数。 在贝叶斯网络中一个相关的概念是变量的马尔科夫毯（MB）【107】。贝叶斯网络中变量的马尔科夫毯包括它的父节点、子节点、子节点的父节点（配偶节点）。马尔科夫毯子集的重要特性是贝叶斯网络中的每个变量只被它的马尔科夫毯影响。换句话说，给出变量的马尔科夫毯后，它条件独立于所有其它的变量（不包括它的马尔科夫毯），即。 在离散的领域，当一个变量有个可能的取值，，并且根据结构S它的父节点有个可能的组合值，，那么 表示在它的父节点取第j个组合值时，取第k个值的概