针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题，提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括：使用依赖关系分析，利用统计学的方法对采样空间进行大幅缩减，能够在精确控制准确度的情况下大幅提高时间效率；结合先验知识，从理论角度将先验知识融入评分中得到完全服从后验分布的结果；搜索最优子结构，对于特定的一些结构搜索最优子结构而不是采用贪心的方法，提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下，将指数时间复杂度降为线性时间。大量的数据实验表明，经改进后的方法在时间和准确性上都具有良好的表现。

贪心算法作为解决问题的一类重要方法，因其直观、高效的特点而受到重视。如果某一类实际问题，能够具有最优子结构和贪心 选择性质，那么它就可以通过一系列局部最优选择来获得整体最优解。本文首先对删数问题进行了分析，然后给出了该问题的贪心解法。最后 对所提出算法的时间复杂度进行了分析。

讲解了贪心算法的基本思想及其应用，最重要的是有很多经典的实例可供参考学习