Um ein Bayes'sche Netz in einen Junction-Tree zu überführen wird das Netz:

• zunächst "moralisiert" (paarweise Verbindung aller Elternknoten eines gemeinsamen Kindknotens durch eine ungerichtete Kante), 
• danach in ein komplett ungerichteten Graphen überführt (jede gerichtete Kante wird durch eine entsprechende ungerichtete ersetzt)
  
• und schließlich trianguliert (durch weitere ungerichtete Kanten, die Fill-Ins, wird dafür gesorgt, dass es keinen nicht abkürzbaren Zyklus mit mehr als drei Knoten mehr gibt)
• In diesem triangulierten Netz werden dann (bzw. schon während der Triangulierung) die Cliquen (vollständig verbundene Teilgraphen) identifiziert und
• diese Cliquen dann zu einer Baumstruktur, dem sogenannten Junction-Tree, verbunden.

Genaueres kann hier (Junction-Trees) und hier (Tree-Decomposition) nachgelesen werden. Entscheidender Knackpunkt ist dabei die Triangulierung. Ein Graph kann i.d.R. auf unterschiedliche Art und Weise trianguliert werden. Diese Triangulierung kann dann besser oder schlechter sein - gemessen z.B. anhand der Anzahl der benötigten zusätzlichen Fill-In-Kanten, oder anhand der Cliquen-Größen. Der häufig verwendete One-Step-Look-Ahead-Algorithmus (Greedy-Algorithmus) führt in hinreichend komplexen Netzen selten zu einem optimalen Ergebnis. Mit Evolutionären Algorithmen, sowie anderen Optimierungsverfahren, lässt die Güte der erzeugten Junction-Trees (mit entsprechend erhöhtem Aufwand) deutlich verbessern. Mein Versuch mit der Ant-Colony-Optimization kann allerdings als mehr oder weniger gescheitert angesehen werden.

Unten kann man nun den Evolutionären Ansatz mit ein paar Rekombinations- und Mutations-Algorithmen und einigen unterschiedlichen Parameter-Einstellungen durchgespielen. Das ganze eignet sich allerdings nicht so sehr gut für ein Java-Script-Beispiel, weil wirklich hinreichend komplexe Netze mit genügend "Individuen" (Lösungen) und Generationen einfach sehr lange Rechenzeiten benötigen. Zudem kann man momentan noch nicht in den eigentlichen Ablauf "hineinblicken" (evtl. fällt mir dafür noch was ein...). Bis dahin sieht man hauptsächlich einen Graph der die Anzahl Fill-Ins links (vertikale Achse) über den Generationen (horizontale Achse) angibt. Jeder horizontale Strich steht dabei für ein Individuum (d.h. eine Lösung). Je dunkler ein Strich und stärker sein (rötlicher) Schatten desto mehr Individuen haben dieselbe Güte (gemessen an der Anzahl Fill-In-Links). Da die zufällig erzeugten Netze noch recht einfach sind, findet normalerweise bereits der einfache One-Step-Lookahead-Algorithmus eine so gute Lösung, dass diese durch die hier verwendeten Evolutionären Algorithmus nicht weiter verbessert werden kann. Aus diesem Grunde macht es wenig Sinn für die "Erzeugungsart der initialen Individuen" die Einstellung "Greedy (One-Step-Lookahead)" zu wählen...