贝叶斯网络是一种结合概率论和图论的图模型结构,因其在不确定知识表达和推理方面的优势,被广泛应用于金融分析、人工智能、故障检测等多个领域。贝叶斯网络结构的构建是参数学习和贝叶斯推理的基础。由于贝叶斯网络结构学习已被证明是一个NP问题,因此研究有效的贝叶斯网络结构学习算法具有十分重要的理论意义和现实价值。本文就贝叶斯网络结构学习问题进行了深入的研究,将分等级公平竞争模型应用于贝叶斯网络结构学习中,同时融入递归分解的思想,提出一种解决复杂贝叶斯网络结构学习问题的算法。本文的主要工作可以概括如下。首先,本文介绍了与贝叶斯网络相关的基本概念,以及贝叶斯网络的数学模型,并详细阐述了贝叶斯网络结构学习的三大类基本方法。然后,针对基于搜索评分的结构学习方法易陷入局部最优的问题,提出了一种基于分等级公平竞争(Hierarchical Fair Competition,HFC)模型的结构学习方法。基于多种群模型和适应度密度函数的思想,该算法将标准遗传算法进行改进。先依据个体的适应度值,把种群分为不同等级的子种群,再在等级内部独立地进行进化操作,在不同等级间采取迁移操作,时刻保证进化的公平性和种群的多样性,同时在最低等级的子种群中加入随机算子,不断拓展搜索范围,加快收敛。最后通过实验证明了该算法的有效性和计算速度优势。最后,针对结点数较多的贝叶斯网络的结构学习存在的时间复杂度问题,提出了基于HFC模型和递归分解的结构学习方法。该算法首先采用卡方检验判断结点的相关性,构造无向独立图;其次基于递归分解的思想,应用最小权重结点分割算法,将无向独立图分解为两个子网络,再将子网络分解为更小的子网络,不断递归地分解下去,直至子网络不能分解为止,然后基于HFC模型分别学习子网络结构,依据V-结构不变准则,合成所有的子网络,进而得到完整的贝叶斯网络。最后本文通过仿真实验证明了基于HFC模型和递归分解的结构学习方法对于结点数较多的贝叶斯网络结构学习问题的高效性。