摘要：贝叶斯网络结构学习的随机抽样算法存在收敛速度慢的问题，为此，结合均匀抽样和独立抽样，从初始样本、抽样方式和建议分布3个方面对抽样过程进行改进，提出一种混合型马尔可夫链蒙特卡罗抽样算法（HSMHS）。基于节点之间的互信息生成网络结构的初始样本，在迭代抽样阶段，按一定的概率随机选择均匀抽样和独立抽样，并根据当前抽样的样本总体计算独立抽样的建议分布，以改善抽样过程的融合性，加快收敛速度。对算法进行正确性分析，证明其抽样过程收敛于网络结构的后验概率分布，可保持较高的学习精度。在标准数据集上的实验结果表明，HSMHS算法的学习效率和精度均高于同类算法MHS、PopMCMC和Order-MCMC。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社