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。

lwMCMC轻量级马尔可夫链蒙特卡洛 由NumPy和Metropolis Hastings支持的轻型MCMC进行参数空间采样。 包装布局 许可证，适用于此软件包 README.md-您现在正在阅读的README文件 -先决条件安装该软件包，通过使用PIP 安装程序脚本 /-包含有关软件包安装和使用的文档 /-贝叶斯建模的用例 /-库代码本身 /-单元测试 案例1：利用贝叶斯推断进行实验地球物理建模 后验分布 等高线 MCMC先验坡度 通过幂律蠕变为自然中的冰致密实的幂律流模型恢复了参数约束（请参阅冰蠕变文献）。 网格条目显示了我们参数的一维后验分布，以及具有一个和两个sigma建模误差轮廓的成对投影。 在先验斜率参数为1.8±0.225的情况下，贝叶斯推断的斜率为1.70±0.17。 示例2：使用贝叶斯推断进行粒子衰减建模 后验分布 等高线 MCMC适合搭配 事先的 为粒子

之字形回旋镖 概述 马尔可夫链蒙特卡罗（MCMC）方法用于从概率分布中进行采样，例如贝叶斯模型中的后验分布。 在ZigZagBoomerang.jl中实现的分段确定性蒙特卡洛（PDMC）方法具有相同的目标，不同的是，此处的分布是通过粒子的连续运动而不是一次移动一个点来进行探索的。 在此，粒子在随机时间改变方向，并在确定性轨迹上移动（例如，沿着恒定速度的直线，请参见图片） 校准随机方向的变化，以使粒子的轨迹采样正确的分布； 从轨迹可以估算出感兴趣的量，例如后均值和标准差。 是否改变方向的决定仅需要评估偏导数，该偏导数依赖于很少的坐标-坐标在马尔可夫毯子中的邻域。 这样就可以使用Julia的多线程并行性（或其他形式的并行计算）来利用多个处理器内核。 约里斯·比尔肯（Joris Bierken）的“以及我们关于话语是ZigZagBoomerang.jl所涵盖方法的理论和应用的良好起点。

马尔可夫链蒙特卡洛-0/1背包问题 该资料库引用了该学科的最终：《蒙特卡洛算法和马尔可夫链中的特殊主题》 ，PESC / COPPE / UFRJ ，由 教授在2018年第一学期教授。 学生们： 关于 该存储库的目的是为0/1背包问题建立解决方案，也就是说，每个元素都可以或不可以不经过重复就出现在解决方案中。 开发的代码旨在评估涉及Markov Chains Monte Carlo的不同算法的结果和性能。 与伪多项式求解算法和贪婪算法（称为“爬山”）相比，本文涵盖的技术涉及不同冷却和过渡策略下的随机游走，Metropolis Hastings，模拟退火算法。 此外，该存储库还试图提出可能的场景，在这些场景中，马尔可夫链蒙特卡洛算法比确定性算法更具优势。 运行算法 所有算法都是使用编写的，并且在src目录中可用。 在data目录中，您可以找到一些可以由算法执行的问题。 涉及Mark

T h is book contains inform ation obtained from authentic and highly regarded sources. Reasonable efforts have been made to publish reliable data and inform ation, but the author and publisher cannot assume responsibility for the validity o f all m aterials or the consequences o f their use. T he authors and publishers have attem pted to trace the copyright holders o f all m aterial reproduced in this publication and apologize to copyright holders if perm ission to publish in this form has not been obtained. If any copyright m aterial has not been acknowledged please write and let us know so we may rectify in any future reprint.

详细的介绍MCMC方法及其应用，对于想深入学习MCMC的你有很大的帮助，推荐一下.附阅读器