Conditional preference network (CP⁃net) is a graph model describing conditional preferences among attributes. Multi⁃valued acyclic CP⁃nets learning is an important research direction. Different from the traditional CP⁃nets learning method,a multi⁃valued acyclic CP⁃nets learning method based on Bayesian method and genetic algorithm is proposed. In preference processing,the complete partial order relationship of multi⁃valued attributes is used as conditional preferences to determine the correlation relationship. This method uses single parent attribute to deduce the relativity under multi⁃parent attributes and to learn CP⁃nets structure. Genetic algorithm is used to search in the search space of CP⁃nets structure to find the optimal structure. Delink algorithm is used to de⁃loop and complete acyclic CP⁃nets learning. The validity of the algorithm is validated on sushi data set. The experimental results show that the algorithm based on Bayesian⁃genetic algorithm is effective. CP⁃nets learning algorithm can obtain local optimal acyclic CP⁃nets in limited time.
Xin Tongchang, Liu Zhaowei. Learning of multi⁃valued acyclic CP⁃nets based on Bayesian⁃genetic method. Journal of nanjing University[J], 2020, 56(1): 74-84 doi:10.13232/j.cnki.jnju.2020.01.009
刘兆伟等[9]提出以偏好对作为条件偏好进行机器人手臂最优路径条件偏好挖掘,以提高机器人安全性和人机交互能力.辛冠琳和刘惊雷[12]提出从偏好数据库中挖掘Agent两两属性值间偏好信息的方法挖掘条件偏好.但以上均为二值偏好,无法完成多值偏好关系挖掘.De Amo et al[13]提出CPref⁃Miner挖掘技术来应对多值偏好挖掘,以当前条件下最大取值的偏好作为当前条件偏好,此方法可简化多属性CP⁃nets结构的求解过程,但其偏好关系完整性不足.定性偏好中偏好成对存在,本文以属性取值的两两关系构建完整偏序关系,进行多值属性条件偏好挖掘.
贝叶斯方法在结构学习中有重要作用.Gao et al[15]提出一种结合参数约束和先验分布从小数据集中学习网络结构的贝叶斯方法,证明其在具有约束信息的网络模型学习中有重要作用.Foley and Marjoram[16]以贝叶斯方法学习动物行为决策模型,通过对大黄蜂实验的模拟证明贝叶斯算法能够有效地描述启发式决策.Kordestani et al[17]提出基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和贝叶斯方法的多功能扰流器(Multifunctional Flow Spoiler,MFS)系统监测模型,用以提高系统安全性.本文应用贝叶斯方法进行CP⁃nets结构学习.
遗传算法是模拟生物进化过程的学习模型,能自适应地控制搜索过程,已广泛用于网络模型求解.Larranaga et al[18]提出基于遗传算法的系统变量最佳排序搜索算法,从实例数据库中归纳贝叶斯网络结构,证明了遗传算法在模型学习中具有重要作用.Contaldi et al[19]提出利用参数化遗传算法(Genetic Algorithms,GAs)学习BNS结构的混合学习策略,实验证明,在大型网络模型求解中,遗传方法胜过其他先进的模型学习方法.Li et al[20]提出基于遗传方法的岩爆预测模型学习算法,实验证明,模型相对误差较低,具有有效性.在真实模型求解中,遗传算法同样具有重要作用.面对复杂庞大的CP⁃nets结构搜索空间,可以通过遗传算法搜索近似最优CP⁃nets结构.
initialize G (0),Random Generation of CP⁃nets Structure G (0)
t0;
while (t≤T) do
For each I1 to M,M is individual number of
population
For each
,MFAL
(Ui,Cj,,cell);
fitness=fitness+;
End for
fit(I)=fitness/;
End for
Individuals in G (t) are crossed as parents to get two offspring,and two individuals with the highest fitness are selected from four individuals to form the next generation G (t+1)
The individuals in G (t+1) were randomly mutated and the mutated individuals were reassessessed to form a new G (t+1)
在众多CP⁃nets学习算法中,性能存在较大差异.选取应用较为广泛的学习算法与本文算法进行比较,显示本文算法具备的优越性.早期Dimopouols et al[21]的方法无法完成数据噪声处理,且不能进行全父属性集的相关性关系判定,不能学习无环CP⁃nets结构.之后,卡方检验[22]对数据中存在的噪声进行了处理,但仍存在父属性选取单一、忽略其他可行性和无法进行无环CP⁃nets学习的问题.G方检验[8]进行了相应的噪声处理并充分考虑多父属性的可行性,但采用穷举法的方式进行候选父亲集的搜索,大大增加了算法的时间复杂度,而且无法学习无环CP⁃nets的问题依旧存在.
... 在众多CP⁃nets学习算法中,性能存在较大差异.选取应用较为广泛的学习算法与本文算法进行比较,显示本文算法具备的优越性.早期Dimopouols et al[21]的方法无法完成数据噪声处理,且不能进行全父属性集的相关性关系判定,不能学习无环CP⁃nets结构.之后,卡方检验[22]对数据中存在的噪声进行了处理,但仍存在父属性选取单一、忽略其他可行性和无法进行无环CP⁃nets学习的问题.G方检验[8]进行了相应的噪声处理并充分考虑多父属性的可行性,但采用穷举法的方式进行候选父亲集的搜索,大大增加了算法的时间复杂度,而且无法学习无环CP⁃nets的问题依旧存在. ...
... 在众多CP⁃nets学习算法中,性能存在较大差异.选取应用较为广泛的学习算法与本文算法进行比较,显示本文算法具备的优越性.早期Dimopouols et al[21]的方法无法完成数据噪声处理,且不能进行全父属性集的相关性关系判定,不能学习无环CP⁃nets结构.之后,卡方检验[22]对数据中存在的噪声进行了处理,但仍存在父属性选取单一、忽略其他可行性和无法进行无环CP⁃nets学习的问题.G方检验[8]进行了相应的噪声处理并充分考虑多父属性的可行性,但采用穷举法的方式进行候选父亲集的搜索,大大增加了算法的时间复杂度,而且无法学习无环CP⁃nets的问题依旧存在. ...
... 刘兆伟等[9]提出以偏好对作为条件偏好进行机器人手臂最优路径条件偏好挖掘,以提高机器人安全性和人机交互能力.辛冠琳和刘惊雷[12]提出从偏好数据库中挖掘Agent两两属性值间偏好信息的方法挖掘条件偏好.但以上均为二值偏好,无法完成多值偏好关系挖掘.De Amo et al[13]提出CPref⁃Miner挖掘技术来应对多值偏好挖掘,以当前条件下最大取值的偏好作为当前条件偏好,此方法可简化多属性CP⁃nets结构的求解过程,但其偏好关系完整性不足.定性偏好中偏好成对存在,本文以属性取值的两两关系构建完整偏序关系,进行多值属性条件偏好挖掘. ...
... 刘兆伟等[9]提出以偏好对作为条件偏好进行机器人手臂最优路径条件偏好挖掘,以提高机器人安全性和人机交互能力.辛冠琳和刘惊雷[12]提出从偏好数据库中挖掘Agent两两属性值间偏好信息的方法挖掘条件偏好.但以上均为二值偏好,无法完成多值偏好关系挖掘.De Amo et al[13]提出CPref⁃Miner挖掘技术来应对多值偏好挖掘,以当前条件下最大取值的偏好作为当前条件偏好,此方法可简化多属性CP⁃nets结构的求解过程,但其偏好关系完整性不足.定性偏好中偏好成对存在,本文以属性取值的两两关系构建完整偏序关系,进行多值属性条件偏好挖掘. ...
... 刘兆伟等[9]提出以偏好对作为条件偏好进行机器人手臂最优路径条件偏好挖掘,以提高机器人安全性和人机交互能力.辛冠琳和刘惊雷[12]提出从偏好数据库中挖掘Agent两两属性值间偏好信息的方法挖掘条件偏好.但以上均为二值偏好,无法完成多值偏好关系挖掘.De Amo et al[13]提出CPref⁃Miner挖掘技术来应对多值偏好挖掘,以当前条件下最大取值的偏好作为当前条件偏好,此方法可简化多属性CP⁃nets结构的求解过程,但其偏好关系完整性不足.定性偏好中偏好成对存在,本文以属性取值的两两关系构建完整偏序关系,进行多值属性条件偏好挖掘. ...
从偏好数据库中挖掘Ceteris Paribus偏好
1
2016
... 刘兆伟等[9]提出以偏好对作为条件偏好进行机器人手臂最优路径条件偏好挖掘,以提高机器人安全性和人机交互能力.辛冠琳和刘惊雷[12]提出从偏好数据库中挖掘Agent两两属性值间偏好信息的方法挖掘条件偏好.但以上均为二值偏好,无法完成多值偏好关系挖掘.De Amo et al[13]提出CPref⁃Miner挖掘技术来应对多值偏好挖掘,以当前条件下最大取值的偏好作为当前条件偏好,此方法可简化多属性CP⁃nets结构的求解过程,但其偏好关系完整性不足.定性偏好中偏好成对存在,本文以属性取值的两两关系构建完整偏序关系,进行多值属性条件偏好挖掘. ...
CPrefMiner:An algorithm for mining user contextual preferences based on Bayesian networks
1
2012
... 刘兆伟等[9]提出以偏好对作为条件偏好进行机器人手臂最优路径条件偏好挖掘,以提高机器人安全性和人机交互能力.辛冠琳和刘惊雷[12]提出从偏好数据库中挖掘Agent两两属性值间偏好信息的方法挖掘条件偏好.但以上均为二值偏好,无法完成多值偏好关系挖掘.De Amo et al[13]提出CPref⁃Miner挖掘技术来应对多值偏好挖掘,以当前条件下最大取值的偏好作为当前条件偏好,此方法可简化多属性CP⁃nets结构的求解过程,但其偏好关系完整性不足.定性偏好中偏好成对存在,本文以属性取值的两两关系构建完整偏序关系,进行多值属性条件偏好挖掘. ...
Bayesian approach to learn Bayesian networks using data and constraints
1
2017
... 贝叶斯方法在结构学习中有重要作用.Gao et al[15]提出一种结合参数约束和先验分布从小数据集中学习网络结构的贝叶斯方法,证明其在具有约束信息的网络模型学习中有重要作用.Foley and Marjoram[16]以贝叶斯方法学习动物行为决策模型,通过对大黄蜂实验的模拟证明贝叶斯算法能够有效地描述启发式决策.Kordestani et al[17]提出基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和贝叶斯方法的多功能扰流器(Multifunctional Flow Spoiler,MFS)系统监测模型,用以提高系统安全性.本文应用贝叶斯方法进行CP⁃nets结构学习. ...
Sure enough:efficient Bayesian learning and choice
1
2017
... 贝叶斯方法在结构学习中有重要作用.Gao et al[15]提出一种结合参数约束和先验分布从小数据集中学习网络结构的贝叶斯方法,证明其在具有约束信息的网络模型学习中有重要作用.Foley and Marjoram[16]以贝叶斯方法学习动物行为决策模型,通过对大黄蜂实验的模拟证明贝叶斯算法能够有效地描述启发式决策.Kordestani et al[17]提出基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和贝叶斯方法的多功能扰流器(Multifunctional Flow Spoiler,MFS)系统监测模型,用以提高系统安全性.本文应用贝叶斯方法进行CP⁃nets结构学习. ...
A new fault prognosis of MFS system using integrated extended Kalman filter and Bayesian method
1
2015
... 贝叶斯方法在结构学习中有重要作用.Gao et al[15]提出一种结合参数约束和先验分布从小数据集中学习网络结构的贝叶斯方法,证明其在具有约束信息的网络模型学习中有重要作用.Foley and Marjoram[16]以贝叶斯方法学习动物行为决策模型,通过对大黄蜂实验的模拟证明贝叶斯算法能够有效地描述启发式决策.Kordestani et al[17]提出基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和贝叶斯方法的多功能扰流器(Multifunctional Flow Spoiler,MFS)系统监测模型,用以提高系统安全性.本文应用贝叶斯方法进行CP⁃nets结构学习. ...
Learning bayesian network structures by searching for the best ordering with genetic algorithms
1
1996
... 遗传算法是模拟生物进化过程的学习模型,能自适应地控制搜索过程,已广泛用于网络模型求解.Larranaga et al[18]提出基于遗传算法的系统变量最佳排序搜索算法,从实例数据库中归纳贝叶斯网络结构,证明了遗传算法在模型学习中具有重要作用.Contaldi et al[19]提出利用参数化遗传算法(Genetic Algorithms,GAs)学习BNS结构的混合学习策略,实验证明,在大型网络模型求解中,遗传方法胜过其他先进的模型学习方法.Li et al[20]提出基于遗传方法的岩爆预测模型学习算法,实验证明,模型相对误差较低,具有有效性.在真实模型求解中,遗传算法同样具有重要作用.面对复杂庞大的CP⁃nets结构搜索空间,可以通过遗传算法搜索近似最优CP⁃nets结构. ...
Bayesian network hybrid learning using an elite?guided genetic algorithm
1
2019
... 遗传算法是模拟生物进化过程的学习模型,能自适应地控制搜索过程,已广泛用于网络模型求解.Larranaga et al[18]提出基于遗传算法的系统变量最佳排序搜索算法,从实例数据库中归纳贝叶斯网络结构,证明了遗传算法在模型学习中具有重要作用.Contaldi et al[19]提出利用参数化遗传算法(Genetic Algorithms,GAs)学习BNS结构的混合学习策略,实验证明,在大型网络模型求解中,遗传方法胜过其他先进的模型学习方法.Li et al[20]提出基于遗传方法的岩爆预测模型学习算法,实验证明,模型相对误差较低,具有有效性.在真实模型求解中,遗传算法同样具有重要作用.面对复杂庞大的CP⁃nets结构搜索空间,可以通过遗传算法搜索近似最优CP⁃nets结构. ...
Rock burst prediction based on genetic algorithms and extreme learning machine
1
2017
... 遗传算法是模拟生物进化过程的学习模型,能自适应地控制搜索过程,已广泛用于网络模型求解.Larranaga et al[18]提出基于遗传算法的系统变量最佳排序搜索算法,从实例数据库中归纳贝叶斯网络结构,证明了遗传算法在模型学习中具有重要作用.Contaldi et al[19]提出利用参数化遗传算法(Genetic Algorithms,GAs)学习BNS结构的混合学习策略,实验证明,在大型网络模型求解中,遗传方法胜过其他先进的模型学习方法.Li et al[20]提出基于遗传方法的岩爆预测模型学习算法,实验证明,模型相对误差较低,具有有效性.在真实模型求解中,遗传算法同样具有重要作用.面对复杂庞大的CP⁃nets结构搜索空间,可以通过遗传算法搜索近似最优CP⁃nets结构. ...
Ceteris Paribus preference elicitation with predictive guarantees
1
2009
... 在众多CP⁃nets学习算法中,性能存在较大差异.选取应用较为广泛的学习算法与本文算法进行比较,显示本文算法具备的优越性.早期Dimopouols et al[21]的方法无法完成数据噪声处理,且不能进行全父属性集的相关性关系判定,不能学习无环CP⁃nets结构.之后,卡方检验[22]对数据中存在的噪声进行了处理,但仍存在父属性选取单一、忽略其他可行性和无法进行无环CP⁃nets学习的问题.G方检验[8]进行了相应的噪声处理并充分考虑多父属性的可行性,但采用穷举法的方式进行候选父亲集的搜索,大大增加了算法的时间复杂度,而且无法学习无环CP⁃nets的问题依旧存在. ...
Learning conditional preference network from noisy samples using hypothesis testing
1
2013
... 在众多CP⁃nets学习算法中,性能存在较大差异.选取应用较为广泛的学习算法与本文算法进行比较,显示本文算法具备的优越性.早期Dimopouols et al[21]的方法无法完成数据噪声处理,且不能进行全父属性集的相关性关系判定,不能学习无环CP⁃nets结构.之后,卡方检验[22]对数据中存在的噪声进行了处理,但仍存在父属性选取单一、忽略其他可行性和无法进行无环CP⁃nets学习的问题.G方检验[8]进行了相应的噪声处理并充分考虑多父属性的可行性,但采用穷举法的方式进行候选父亲集的搜索,大大增加了算法的时间复杂度,而且无法学习无环CP⁃nets的问题依旧存在. ...