基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及網(wǎng)絡(luò)優(yōu)化領(lǐng)域，特別是涉及一種基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法。
【背景技術(shù)】
[0002]傳統(tǒng)網(wǎng)絡(luò)是一個信息傳輸、接收、共享的平臺，用戶可以通過它將各種豐富的信息聯(lián)系在一起，從而實現(xiàn)不同地域之間的信息共享。而認(rèn)知網(wǎng)絡(luò)是近年新提出的前沿通信技術(shù)，其綜合采用了感知、學(xué)習(xí)、重配置等技術(shù)，從而具有重要的應(yīng)用價值。認(rèn)知網(wǎng)絡(luò)是一個具有認(rèn)知過程的網(wǎng)絡(luò)，其通過感知當(dāng)前的網(wǎng)絡(luò)環(huán)境，經(jīng)過自身的理解與學(xué)習(xí)后，依據(jù)這些理解和學(xué)習(xí)到的知識來調(diào)整其內(nèi)部的相應(yīng)配置以適應(yīng)外部網(wǎng)絡(luò)的變化。可見，認(rèn)知網(wǎng)絡(luò)能在動態(tài)自適應(yīng)的過程中不斷地學(xué)習(xí)和積累相關(guān)知識，并以此為依據(jù)來對網(wǎng)絡(luò)進(jìn)行相關(guān)的調(diào)整、判決和再配置，其具有上下文感知、自學(xué)習(xí)、重配置、跨層設(shè)計等基本特征。
[0003]目前，網(wǎng)絡(luò)的QoS已經(jīng)成為國內(nèi)外研究的熱點(diǎn)，相關(guān)研究主要集中在以下幾個方面:
[0004]1、網(wǎng)絡(luò)環(huán)境感知技術(shù)
[0005]主要研究了基于本體的知識建模方式，使得認(rèn)知網(wǎng)元獲取的數(shù)據(jù)能夠得到網(wǎng)絡(luò)管理目標(biāo)的理解。
[0006]2、網(wǎng)絡(luò)QoS智能決策
[0007]主要成果是借鑒生物學(xué)方法研究網(wǎng)絡(luò)QoS，力圖借助生物昆蟲群體聚集表現(xiàn)出來的固有特性來增強(qiáng)網(wǎng)絡(luò)QoS保障過程的智能性，從優(yōu)化的角度改進(jìn)并完善傳統(tǒng)的QoS方法，以及認(rèn)知網(wǎng)絡(luò)QoS管理產(chǎn)生動態(tài)策略與規(guī)則的各種方法。
[0008]3、網(wǎng)絡(luò)自適應(yīng)配置
[0009]提出了 QoS調(diào)節(jié)系統(tǒng)，對組件的運(yùn)行行為進(jìn)行基于規(guī)則的調(diào)節(jié)，同時引入了預(yù)測控制，可以預(yù)測QoS組件在當(dāng)前環(huán)境中的操作，推導(dǎo)出QoS組件應(yīng)當(dāng)做出哪些必要的改變。
[0010]綜上所述，現(xiàn)在國內(nèi)外研究網(wǎng)絡(luò)QoS的焦點(diǎn)主要集中在為QoS保障算法增強(qiáng)智能性、自適應(yīng)性，建立網(wǎng)絡(luò)QoS的目標(biāo)參數(shù)映射及認(rèn)知參數(shù)建模與表達(dá)等方面，但是這些方法在實際操作過程中有諸多缺點(diǎn):
[0011]1、這些研究大都針對某一局部、具體的控制方法，難以上升為具有全局意義的方法和機(jī)理；
[0012]2、現(xiàn)有的研究成果缺乏對網(wǎng)絡(luò)態(tài)勢的全局性評估，缺乏對網(wǎng)絡(luò)層次(學(xué)習(xí)者)的認(rèn)知能力、知識水平等個性特征的了解；
[0013]3、不能完全滿足使用者的不同需要，不能為學(xué)習(xí)者提供個性化再配置的數(shù)據(jù)支持和指導(dǎo)。

【發(fā)明內(nèi)容】

[0014]鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種高效可靠的基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法，以便準(zhǔn)確反映網(wǎng)絡(luò)參數(shù)間層次和粒度關(guān)聯(lián)關(guān)系。
[0015]為實現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法，其至少包括:
[0016]當(dāng)執(zhí)行對問題求解的算法沒有獲得最優(yōu)解時，基于預(yù)定選擇策略由當(dāng)前解群中選擇較優(yōu)解以形成較優(yōu)解群；
[0017]基于較優(yōu)解群來構(gòu)造貝葉斯網(wǎng)絡(luò)，并利用評價函數(shù)構(gòu)建符合各較優(yōu)解的貝葉斯網(wǎng)絡(luò)概率模型；
[0018]對所述貝葉斯網(wǎng)絡(luò)概率模型進(jìn)行推理采樣，以獲得所述問題的較優(yōu)候選解群，并基于粒子群算法對較優(yōu)候選解群進(jìn)行深度搜索，以獲得所述問題的更優(yōu)候選解群；
[0019]基于相關(guān)替換策略、較優(yōu)候選解及更優(yōu)候選解群來更新所述當(dāng)前解群。
[0020]優(yōu)選地，所述相關(guān)替換策略包括替換所述當(dāng)前解群中最差的解或全部解。
[0021]優(yōu)選地，所述相關(guān)替換策略包括將較優(yōu)候選解群和更優(yōu)候選解群中排序較優(yōu)的部分解替換所述當(dāng)前解群中相應(yīng)數(shù)目的解；更為優(yōu)選地，所述相關(guān)替換策略包括將較優(yōu)候選解群和更優(yōu)候選解群中排序較優(yōu)的前一半解替換所述當(dāng)前解群中相應(yīng)數(shù)目的解。
[0022]優(yōu)選地，基于收斂次數(shù)或運(yùn)行時間的要求執(zhí)行對問題求解的算法沒有獲得最優(yōu)解時，基于預(yù)定選擇策略由當(dāng)前解群選擇較優(yōu)解以形成較優(yōu)解群。
[0023]優(yōu)選地，構(gòu)建貝葉斯網(wǎng)絡(luò)的次數(shù)定義為mod (N, 100)=1，其中N為預(yù)定的迭代次數(shù)或運(yùn)行時間。
[0024]優(yōu)選地，所述的基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法還包括:由所有可行解中根據(jù)均勻分布隨機(jī)生成所述問題的初始解群。
[0025]優(yōu)選地，當(dāng)執(zhí)行對問題求解的算法沒有獲得最優(yōu)解時，基于預(yù)定選擇策略由當(dāng)前解群及歷史較優(yōu)解中選擇較優(yōu)解以形成較優(yōu)解群。
[0026]如上所述，本發(fā)明的基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法，具有以下有益效果:
[0027]( I)通過深入研究貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)參數(shù)隨時間而自增加與自減少的馬爾科夫變化過程，得到一個混合粒子群的推理學(xué)習(xí)算法，它包括全局和局部搜索，使其更利于得到期望的較優(yōu)解；
[0028](2)為了更好更準(zhǔn)確的利用當(dāng)前的較優(yōu)解群，本發(fā)明采用粒子群算法進(jìn)行局部的深度搜索，從而使得本發(fā)明的算法更加的準(zhǔn)確和精準(zhǔn)。
【附圖說明】
[0029]圖1顯示為本發(fā)明的基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法的架構(gòu)示意圖。
[0030]圖2顯示為本發(fā)明的基于粒子群算法的貝葉斯網(wǎng)絡(luò)優(yōu)化方法流程圖。
[0031]元件標(biāo)號說明
[0032]SI ?S4 步驟
【具體實施方式】
[0033]以下通過特定的具體實例說明本發(fā)明的實施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點(diǎn)與功效。本發(fā)明還可以通過另外不同的【具體實施方式】加以實施或應(yīng)用，本說明書中的各項細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。
[0034]請參閱圖1至圖2。需要說明的是，本實施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，遂圖式中僅顯示與本發(fā)明中有關(guān)的組件而非按照實際實施時的組件數(shù)目、形狀及尺寸繪制，其實際實施時各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。
[0035]在詳述本發(fā)明的方法之前，先對相關(guān)信息進(jìn)行簡要說明:
[0036]首先，為了統(tǒng)一描述，在本實施例中，采用XI，X2，…，Xn表示離散的隨機(jī)變量，xl，x2，一,Xn表示隨機(jī)變量XI，X2，…，Xn在某時刻的具體取值，Θ I, Θ 2,..., θ n表示隨機(jī)變量可能的參數(shù)集，其中X e Θ，即隨機(jī)變量在當(dāng)前時刻的取值是該參數(shù)集中的某個具體值，η表示隨機(jī)變量的個數(shù)。在本實施例中，貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)學(xué)習(xí)采用最廣泛使用的Κ2算法，參數(shù)學(xué)習(xí)采用最大似然估計法。
[0037]其次，提供一種簡單的貝葉斯網(wǎng)絡(luò)，以便更為清楚理解本發(fā)明的方法。
[0038]如圖1所示，在圖1所示的貝葉斯網(wǎng)絡(luò)(G，Θ )中，變量Xl條件依賴于變量Χ2、Χ3、Χ4。其中，G表示當(dāng)前的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，Θ表示該貝葉斯網(wǎng)絡(luò)的變量參數(shù)集。假設(shè)Θ中已有的較優(yōu)解群中的實例數(shù)據(jù)的參數(shù)個數(shù)為L，記為D1, D2,…，隊，它們構(gòu)成較優(yōu)解群D。在該較優(yōu)解群D中，既包含當(dāng)前較優(yōu)解群中解，也包括歷史中一些較優(yōu)解群。貝葉斯網(wǎng)絡(luò)概率推理模型將根據(jù)這個數(shù)據(jù)集D構(gòu)建，并利用構(gòu)建好的貝葉斯網(wǎng)絡(luò)模型進(jìn)行預(yù)測、推理、采樣。得到符合這個較優(yōu)解群分布的解。然后，粒子群算法被應(yīng)用到當(dāng)前得到的較優(yōu)解群中，發(fā)揮粒子群收斂速度快和群體尋優(yōu)的優(yōu)點(diǎn)，快速的收斂到當(dāng)前較優(yōu)解群中的最優(yōu)解上。
[0039]以下將對本