一種基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種推理算法，特別地，涉及一種基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng) 算法。
【背景技術(shù)】
[0002] 傳統(tǒng)網(wǎng)絡(luò)是一個(gè)信息傳輸、接收、共享的平臺(tái)，用戶可以通過(guò)它將各種豐富的信息 聯(lián)系在一起，從而實(shí)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(jià)值。認(rèn)知網(wǎng)絡(luò)是一個(gè)具 有認(rèn)知過(guò)程的網(wǎng)絡(luò)，其通過(guò)感知當(dāng)前的網(wǎng)絡(luò)環(huán)境，經(jīng)過(guò)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(shí)來(lái)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。即認(rèn)知網(wǎng)絡(luò)能在動(dòng)態(tài)自 適應(yīng)的過(guò)程中不斷地學(xué)習(xí)和積累相關(guān)知識(shí)，并以此為依據(jù)來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行相關(guān)的調(diào)整、判決 和再配置。認(rèn)知網(wǎng)絡(luò)具有上下文感知、自學(xué)習(xí)、重配置、跨層設(shè)計(jì)等基本特征。
[0003] 目前，網(wǎng)絡(luò)的Q0S已經(jīng)成為國(guó)內(nèi)外研究的熱點(diǎn)，相關(guān)研究主要集中在以下幾個(gè)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(shí)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(chóng)群體聚集表現(xiàn)出來(lái) 的固有特性來(lái)增強(qiáng)網(wǎng)絡(luò)QoS保障過(guò)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(dòng)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(duì)組件的運(yùn)行行為進(jìn)行基于規(guī)則的調(diào)節(jié)，同時(shí)引入了預(yù)測(cè) 控制，可以預(yù)測(cè)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(guó)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(shí)際操作過(guò)程中有諸多缺點(diǎn)：
[0011] 1、這些研究大都針對(duì)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(duì)網(wǎng)絡(luò)態(tài)勢(shì)的全局性評(píng)估，缺乏對(duì)網(wǎng)絡(luò)層次(學(xué)習(xí)者）的認(rèn) 知能力、知識(shí)水平等個(gè)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(gè)性化再配置的數(shù)據(jù)支持 和指導(dǎo)。
[0014] 基于上述的分析和描述，將貝葉斯網(wǎng)絡(luò)理論應(yīng)用到認(rèn)知網(wǎng)絡(luò)中，使得問(wèn)題得到了 相應(yīng)的簡(jiǎn)化，進(jìn)而為提出高效率和高可靠性的算法提供了可能性。

【發(fā)明內(nèi)容】

[0015] 鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提出了一種基于貝葉斯網(wǎng)絡(luò)的 網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其可準(zhǔn)確反映網(wǎng)絡(luò)參數(shù)間層次和粒度關(guān)聯(lián)關(guān)系，既能充分利用已建 立的貝葉斯網(wǎng)絡(luò)概率模型進(jìn)行推理，又能為適應(yīng)傳統(tǒng)網(wǎng)絡(luò)參數(shù)的變化提出一種自適應(yīng)優(yōu)化 算法；且不需要大量可信實(shí)例數(shù)據(jù)就能得到很好的實(shí)驗(yàn)效果，具有很高的有效性和可靠性。
[0016] 為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自 適應(yīng)算法，包括以下步驟：在時(shí)刻t=0時(shí)，從所有可行解中根據(jù)均勻分布隨機(jī)生成初始的問(wèn) 題解群P (〇);當(dāng)自適應(yīng)算法結(jié)束條件不滿足時(shí)，根據(jù)選擇策略從當(dāng)前解群中選擇出適應(yīng)值 較優(yōu)的解群P (t)，基于當(dāng)前的較優(yōu)解群P (t)構(gòu)造貝葉斯網(wǎng)絡(luò)，并利用增變量參數(shù)學(xué)習(xí)、減 變量參數(shù)學(xué)習(xí)構(gòu)建符合這些相對(duì)較優(yōu)的問(wèn)題解決方案的貝葉斯網(wǎng)絡(luò)概率模型B (t);當(dāng)自 適應(yīng)推理次數(shù)未結(jié)束時(shí)，繼續(xù)利用當(dāng)前的貝葉斯網(wǎng)絡(luò)模型B (t)進(jìn)行推理，得到采樣較優(yōu)的 解0 (t);當(dāng)自適應(yīng)推理次數(shù)結(jié)束時(shí)，利用相關(guān)的替換策略，由新產(chǎn)生的候選解替換掉當(dāng)前 解群中的某些個(gè)體。
[0017] 根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：由新產(chǎn)生的候選解替 換掉當(dāng)前解群中的某些個(gè)體時(shí)，替換掉當(dāng)前解群中的最差個(gè)體或全部。
[0018] 根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：由新產(chǎn)生的候選解替 換掉當(dāng)前解群中的某些個(gè)體時(shí)，將自適應(yīng)推理得到的排序較優(yōu)的前一半解并入原始解群 中，構(gòu)成新的解。
[0019] 根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：自適應(yīng)推理次數(shù)結(jié)束 的條件為滿足收斂次數(shù)或運(yùn)行時(shí)間的要求。
[0020] 進(jìn)一步地，根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：自適應(yīng)推理 次數(shù)定義為mod (N, 100) =1,其中N為固定的迭代次數(shù)或運(yùn)行時(shí)間。
[0021] 根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：在增變量參數(shù)學(xué)習(xí)情 形下，基于原有的貝葉斯網(wǎng)絡(luò)絡(luò)模型和自適應(yīng)調(diào)整后的貝葉斯網(wǎng)絡(luò)絡(luò)模型進(jìn)行預(yù)測(cè)、推理、 采樣，對(duì)缺失數(shù)據(jù)集根據(jù)采樣的數(shù)據(jù)值進(jìn)行自適應(yīng)的迭代修正，直到得到對(duì)應(yīng)的取值。
[0022] 根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：在減變量參數(shù)學(xué)習(xí)情 形下，經(jīng)過(guò)數(shù)次迭代自適應(yīng)學(xué)習(xí)后，對(duì)于已基本收斂到其最優(yōu)值上的變量，取其較優(yōu)值；或 對(duì)于一些取值僅集中到某幾個(gè)較優(yōu)值的變量，取其較優(yōu)值。
[0023] 根據(jù)上述的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，其中：自適應(yīng)算法結(jié)束條件 為已經(jīng)收斂到算法最優(yōu)解。
[0024] 如上所述，本發(fā)明的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法，具有以下有益效 果：
[0025] ( 1)通過(guò)深入研究貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)參數(shù)隨時(shí)間而自增加與自減少的馬爾科夫變 化過(guò)程，得到一個(gè)自適應(yīng)的推理學(xué)習(xí)算法，它包括增變量參數(shù)學(xué)習(xí)和減變量參數(shù)學(xué)習(xí)，使其 更利于實(shí)現(xiàn)和推理；
[0026] (2)為了更好更準(zhǔn)確的利用貝葉斯網(wǎng)絡(luò)及其所建立的條件概率模型，本發(fā)明采用 自適應(yīng)的策略進(jìn)行新解的采樣，從而使得本發(fā)明的算法更加的準(zhǔn)確和精準(zhǔn)，解決算法易陷 入局部最優(yōu)解的問(wèn)題。
【附圖說(shuō)明】
[0027] 圖1顯示為本發(fā)明的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法的增變量與減變量 模型的結(jié)構(gòu)示意圖；
[0028] 圖2顯示為本發(fā)明的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法的流程示意圖。
【具體實(shí)施方式】
[0029] 以下通過(guò)特定的具體實(shí)例說(shuō)明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說(shuō)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(guò)另外不同的具體實(shí) 施方式加以實(shí)施或應(yīng)用，本說(shuō)明書中的各項(xiàng)細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒(méi)有背離 本發(fā)明的精神下進(jìn)行各種修飾或改變。
[0030] 需要說(shuō)明的是，本實(shí)施例中所提供的圖示僅以示意方式說(shuō)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(shí)際實(shí)施時(shí)的組件數(shù)目、形狀及尺寸繪 制，其實(shí)際實(shí)施時(shí)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。
[0031] 為了統(tǒng)一描述，在本發(fā)明中用X1, X2,…，Xn表不離散的隨機(jī)變量，X1, X2,…，Xn為隨 機(jī)變量X1,X2，…，X n在某時(shí)刻的具體取值，S1, θ2，…，θη是隨機(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(shí)刻的取值是其參數(shù)集中的某個(gè)具體值，η表示隨機(jī)變量的個(gè) 數(shù)。在本發(fā)明的基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)認(rèn)知自適應(yīng)算法