一种影响图的期望效用的并行计算方法
【技术领域】
[0001] 本发明属于人工智能，涉及影响图的期望效用的一种并行计算方法。
【背景技术】
[0002] 影响图是不确定决策表示和分析的重要工具，已经广泛应用到不确定性决 策分析领域。影响图是联合效用函数的一种直观、紧凑的表示形式，形式化地表示为
。简单地说，一个影响图是由随机结点集 G决策结点集m效用结点集合幽成的有向无环图仏芦川pa〇4)) I Je 6}是一组 每个随机结点J在父节点pa(冶条件下的条件概率，炉{y(pa(0) I G.e 是一组与每个效 用结点^在父节点pa( 0条件下的效用函数。按照最大期望效用的原则，基于影响图的 决策就是计算最大期望效用_|__|||喊賴顯和最优策略，其中策略空间Λ是所 有可能策略S=P1, δ 2，···，δ J的集合，δ ^是每一个决策节点仏在其父节点pa(j,)条 件下的一个决策行为。计算最大期望效用的核心就是计算所有策略的期望效用。传统的 求解方法通过规范、非遗忘以及单效用结点限制影响图的结构进而限制策略空间，仅考虑 局部最优决策组合，并且迭代地计算期望效用。运行在Hadoop分布式文件系统HDFS可以 为基于MapReduce并行计算影响图的期望效用提供基础。针对影响图中的每个随机节点 為，以〈key，value〉的形式作为一行存储到HDFS的F id中，key为a, pa (?)，value为/7(? Ipa(W)，对于(?中的效用节点K以〈key，value〉的形式作为一行存储到Hbase的表Fid 中，key为pa⑶，value为動_::__纖說:。
【发明内容】
[0003] 针对影响图决策的核心问题，本发明提出一种基于分布式文件系统HDFS和 MapReduce并行地计算影响图期望效用的方法，为大规模影响图的求解以及非规范影响图 求解全局最优策略提供一种有效的方法，为影响图的决策和应用提供一种新的技术基础。
[0004] 本发明基于分布式文件系统HDFS和MapReduce，提出一种并行地计算影响图的最 大期望效用的方法，该方法包括以下步骤： 步骤1 :并行地计算影响图的联合效用函数； 步骤2 :对影响图的所有策略，并行地计算它们的期望效用； 步骤1中，通过以下步骤完成影响图的联合效用函数的并行计算： 步骤I. 1 :将影响图的随机节点和决策节点的所有可能的组合以Ft存储到分布式文件 系统HDFS中，每个组合为-行； 步骤1. 2 :使用Map函数并行查询Fid每一行，并与？1进行比较，结果以〈key，value〉的 形式作为一行存储到HDFS的Ft; 步骤1. 3 :使用Reduce函数对文件Ft中相同key的value相乘，得到联合效用 步骤2中，通过以下步骤完成期望效用的并行计算： 步骤2. 1 :将所有的策略以Fstrategy存储到HDFS中，每个策略为一行； 步骤2. 2 :对步骤1. 3结果使用Map函数并行查询每一行，并与Fstrategy进行比较，结果 以〈key，value〉的形式作为一行存储到Fstrategy中； 步骤2. 3 :使用Reduce函数对Fstrategy中相同key的value相加，得到每一个策略的期 望效用。
【附图说明】
[0005] 图1"石油投机分子问题"景多响图，节点S表示探测结果S1=Cliffuse, s2=open，s3=close， 〇某个地点地下石油蕴藏情况O1=Clry, O2= wet, O3= soaking，T是探测行为且tl=yes, t2 =no, D是开采行为且dl=yes, d2=no。
【具体实施方式】
[0006] 以下结合附图"石油投机分子问题"影响图，对依据本发明提供的【具体实施方式】， 详细说明如下。
[0007] 表1存储"石油投机分子问题"影响图的Fid CN 105138677 A m ~P 3/6 页
步骤I.针对影响图"石油投机分子问题"的分布式存储Fid，并行地计算影响图的联合 效用函数； 将影响图的随机节点和决策节点的所有可能的组合以FT#储到分布式文件系统HDFS 中，每个组合为-行； 取出Icey=O1，可知Ft中包含o i的行有o (^如山，......，等12行，将它们分别 作为key，将Fid中当前行的值0· 5,作为value，以〈key, value〉的形式将〈〇 W1Sit1, 0· 5>， 〈〇1dlSlt2,0.5>，···..，12行存储下来，以同样的方法，对于表1中其它行，将相应的 〈key, value〉存储到 Ft中， 使用Reduce函数对文件Ft中相同key的value相乘，从而得到联合效用函数： EU =-24, EU (0^^^2) =-35/3,...... 步骤2.针对影响图"石油投机分子问题"，并行地计算影响图的期望效用函数； 将所有的策略以Fstrategy存储到HDFS中，每个策略为一行； 使用Map函数并行查询步骤1结果的每一行，并与Fstratagy进行比较，对结果的第一行 OidAt!，将(I1Sit1作为key，将F τ中当前行的值-24,作为value，以〈key, value〉的开多式将 〈(^山，_24>，以同样的方法，对于表1中其它行，将相应的〈key, value〉存储到Fsttategy中， 使用Reduce函数对文件Fsttategy中相同key的value相加，从而得到每一个策 略的期望效用，ElKdAtphSO/% ElKc^Sj^hS， EU (d1s3t1) =18. 6, EU (d1s3t2) =20/3, EU ((I2Sit1) =-4. I, EU ((I2Sit2) =0, EU (d2s2t1) =-3. 5, EU (d2s2t2) =0, EU (d2s3t1) =-2. 4, EU (d2s3t2) =0, 表2存储所有可能组合的文件Ft CN 105138677 A ^ b/6 贝
表3存储所有策略的文件Fstrategy
【主权项】
1. 一种影响图的期望效用的并行计算方法，在将影响图的结构和定量信息以Fid存储 到分布式文件系统HDFS的基础上，该方法的特征在于包括以下步骤： 步骤1 :并行地计算影响图的联合效用函数； 步骤2 :对影响图的所有策略，并行地计算它们的期望效用。2. 根据权利要求1所述的影响图的最大期望效用的并行计算方法，其特征在于步骤1 中通过如下的步骤完成并行地计算影响图的联合效用函数； 步骤I. 1 :将影响图的随机节点和决策节点的所有可能的组合以Ft存储到分布式文件 系统HDFS中，每个组合为-行； 步骤1. 2 :使用Map函数并行查询Fid每一行，并与？7进行比较，结果以〈key，value〉的 形式作为-行存储到分布式文件系统HDFS ; 步骤1. 3 :使用Reduce函数对文件Ft中相同key的value相乘，得到联合效用函数。3. 根据权利要求1所述的影响图的期望效用的并行计算方法，其特征在于步骤2中通 过如下的步骤完成并行地计算影响图的所有策略的期望效用； 步骤2. 1 :将所有的策略以Fstrategy存储到HDFS中，每个策略为一行； 步骤2. 2 :对步骤1. 3结果使用Map函数并行查询每一行，并与Fstrategy进行比较，结果 以〈key，value〉的形式作为一行存储到Fstrategy中； 步骤2. 3 :使用Reduce函数对Fstrategy中相同key的value相加，得到每一个策略的期 望效用。
【专利摘要】本发明属于人工智能领域，公开了一种影响图的期望效用的并行计算方法。基于影响图在分布式文件系统HDFS上的存储，首先利用MapReduce并行地计算影响图的联合效用函数，再并行计算所有策略的期望效用。与现有技术相比，本发明的方法对大规模影响图，以及非规范的影响图的全局最大期望效用以及最优策略提供有效的支持，对影响图的应用提供可扩展的支撑技术。
【IPC分类】G06F9/50, G06F17/30, G06N5/04
【公开号】CN105138677
【申请号】CN201510568841
【发明人】李维华, 王顺芳
【申请人】云南大学
【公开日】2015年12月9日
【申请日】2015年9月9日