GA_SJ在SVM核参数优化中的应用

支持向量机（SVM）是一种性能良好的机器学习方法,但是对于其参数的选择还缺少系统的理论作为指导。针对经典的SVM参数选择方法--遗传算法的一些不足,提出了改进,并将其与SVM相结合,得到自动选择核参数并进行SVM训练的算法即GA_SJ算法。该算法通过将随机搜索引入到遗传算法当中,并采用最优保存策略和动态的交叉和变异概率,有效地提高了遗传算法的效率。数值实验结果证实了GA_SJ算法在SVM参数优化中的可行性和有效性,而且得到的SVM具有较高的分类性能。     

改进蚁群算法在SVM参数优化研究中的应用

支持向量机参数的选择决定着支持向量机的分类精度和泛化能力,而其参数优化缺乏理论指导,在此背景下提出了ACO-SVM模型。该模型将SVM分类预测准确率作为目标函数,对蚁群算法进行改进,引入有向搜索和基于时变函数更新的信息素更新原则,利用蚁群算法的并行性、正反馈机制和较强的鲁棒性,以求得最优目标并得到SVM的最优参数组合。数值实验结果表明,改进蚁群算法在SVM参数优化选取中具有更好的寻优性能,具有较高的分类准确率;该方法具有较好的并行性和较强的全局寻优能力。     

人工鱼群算法在SVM参数优化选择中的应用

针对支持向量机的参数优化缺乏理论支持,而SVM交叉检验法选取又较为费时的情况下,提出了基于人工鱼群算法的支持向量机参数优化选取算法,并以SVM分类预测准确率最大为优化原则,利用人工鱼群算法的较好并行性和较强的全局寻优能力,以实现最优目标并得到SVM的最优参数组合。数值实验结果表明：人工鱼群算法在SVM参数优化选取中具有更快的寻优性能,同时具有较高的分类准确率。该方法具有较好的并行性和较强的全局寻优能力。     

基于参数自适应策略的改进乌鸦搜索算法

乌鸦搜索算法(CSA)是近年发展起来的一种新型智能优化算法,具有搜索精度高、收敛速度快等优点,但是其搜索性能对参数依赖性较强,参数的选取对算法的全局搜索能力、收敛速度至关重要.为解决最佳参数的确定问题,首先提出了一种用于表征种群优化算法收敛进程的方法,从而将优化过程分为前、中、后期,并在此基础上提出了一种基于优化过程的...     

改进人工鱼群算法在SVM参数优化中的应用

支持向量机的参数优化一直是一个重要的研究方向。参数的好坏很大程度上决定了支持向量机的分类精度和泛化能力。针对人工鱼群算法优化支持向量机参数时,容易在后期徘徊于最优解附近、难以逼近的问题,提出了人工鱼群加速算法,使用速度参数代替人工鱼步长,从而求得最优目标并得到SVM的最优参数组合。仿真实验结果表明：该算法收敛速度快,求解数值精度高,对初值的依赖程度低,在SVM参数优化中具有更好的性能、更高的分类准确率,是一个极其有效的参数优化方法。     

改进麻雀搜索算法优化SVM的方法及应用

针对麻雀搜索算法在迭代后期种群多样性减少、易陷入局部最优等问题,提出改进麻雀搜索算法(ISSA)。引入Sobol序列,提高初始种群的多样性;引入黄金正弦算法,平衡全局搜索和局部开发能力;引入高斯差分变异,提高种群跳出局部最优的能力。10种基准函数的测试结果表明,ISSA有着更好的寻优精度与收敛速度。使用ISSA对SVM的超参数进行寻优,构建分类模型并应用于断路器故障诊断,验证了该方法在工程应用上的可行性。     

混合策略改进的乌鸦搜索算法

为了改善乌鸦搜索算法(crow search algorithm,CSA)收敛速度慢、收敛精度不足的问题,提出一种混合策略改进的乌鸦搜索算法(MSCSA).首先在算法运行前期引入tent序列扰动的自适应权重系数,提高算法收敛速度;其次在算法后期引入混合黄金正弦与飞蛾扑火算子,避免算法后期陷入局部最优值;最后通过改进算法的发现概率AP,增加算法的随机性从而提高算法的收敛精度.通过在九个基准函数上对比测试,确定迭代系数的取值,通过Wilcoxon秩和测试验证算法性能.实验结果证明,所提出的MSCSA的性能更为优秀.     

改进布谷鸟搜索算法优化SVM的网络流量预测模型

网络流量建模预测是网络管理和安全预警的基础。为了提高网络流量的预测精度,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型(MCS-SVM)。首先将一维网络流量时间序列重构成多维时间序列;然后将支持向量机参数看作一个鸟巢位置,通过模拟布谷种群寄生繁衍机制找到最优参数;最后根据最优参数建立网络流量预测模型,并通过仿真实验对MCSSVM的性能进行测试。仿真结果表明,相对于参比模型,MCS-SVM提高了网络流量的预测精度,更加准确地刻画了网络流量复杂变化趋势,为具有混沌性网络流量预测提供了一种新的研究工具。     

基于社会力模型算法的SVM参数优化

为了解决支持向量机(SVM)参数优化的问题,提出一种改进的基于社会力模型群智能优化算法SFSO(Swarm Optimization algorithm based on Social Force Model)的SVM参数优化方法。SFSO通过期望力和排斥力使算法在全局搜索和局部搜索中能够较好的平衡,利用SFSO特有的搜索机制对SVM的惩罚因子和径向基函数进行优化,提高SVM的分类性能。通过对几个benchmark函数和常用的UCI数据集进行测试表明:改进后的SFSO算法不仅对于求解函数优化问题具有较强的鲁棒性和较高的求解精度,而且经改进SFSO算法优化后的SVM具有更快的收敛速度和更高的分类准确率。     

基于IFOA算法的SVM参数优化及其应用

为了提高果蝇优化算法的种群多样性和果蝇搜索的遍历性,有效提高算法的收敛精度,提出一种改进的果蝇算法(Improving fruit fly optimization algorithm, IFOA),仿真实验表明, IFOA算法保持了搜索过程中的搜索尺度变化,平衡了算法的全局与局部搜索能力。在此基础上,为了改善支持向量机模型参数选择的随机性和盲目性,提高模式分类的准确率,提出并建立了一种IFOA-SVM模式分类模型。该方法将IFOA算法引入到支持向量机模型参数优化中,建立性能最优的支持向量机模型。应用该模型对UCI机器学习数据库中wine数据集进行模式分类研究,通过算法对比分析,结果表明：提出的改进果蝇优化算法在收敛速度和寻优效率上均有一定的提高,依此而建立的IFOA-SVM模式分类模型具有较准确的分类准确率,从而也验证了该模式分类方法在wine数据集分类应用中的有效性。     

正弦余弦指引的乌鸦搜索算法研究

乌鸦搜索算法模拟乌鸦觅食行为对个体位置进行更新与搜索，为降低基本乌鸦搜索位置更新策略本身存在的盲目性，将正弦余弦作为局部优化算子嵌入到基本算法中，提出了正弦余弦指引的乌鸦搜索算法。该算法通过正弦余弦操作使每一个乌鸦个体都可以充分吸收自身与最优个体的位置差信息，有效指引乌鸦个体沿最优值方向趋近最优值，改善算法的收敛效果和寻优精度。并对一系列测试函数进行寻优实验，实验结果表明该改进算法性能良好。     

基于改进遗传算法的支持向量机参数优化方法

针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况,提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合,利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集,并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。     

用混沌理论优化SVM核参数的研究

混沌优化算法是一种有效的全局优化算法,其计算复杂度较低,搜索速度快。支持向量机是近年来新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优点。但支持向量机的识别性能对于参数的选择是敏感的,提出用混沌优化算法来优化支持向量机的参数,不仅提高了支持向量机的性能,而且解决了传统的选取参数方法计算量大、参数多时难以奏效的问题。仿真结果表明性能较好、计算量较少。     

多段扰动的共享型乌鸦算法

乌鸦搜索算法作为新提出的元启发式智能算法,其寻优方式模拟了乌鸦间相互跟随窃食的行为。为了提高算法的收敛精度、后期搜索能力等,基于传统乌鸦搜索算法提出一种新的混合乌鸦搜索算法,其核心思想是在算法中加入共享机制,改进原始算法中随机追踪的位置更新方式,降低搜索盲目性,提高收敛速度;在不同的迭代阶段对全局最优位置进行大小不同的扰动操作,有效提高了跳出局部最优的概率,保证算法全局搜索能力与局部搜索能力的平衡。最后通过8个基准函数对5种算法搜索性能在10、30、50维的情况下进行对比分析,结果表明该改进算法的综合表现要优于其他算法。     

基于遗传算法与粒子群算法的支持向量机参数选择

支持向量机(SVM)参数的选择是评价SVM性能的一个很重要的因素。SVM在解决小样本、非线性等问题中起到的效果是很好的。但是,该方法的缺点是在解决大样本数据集时消耗时间长,且易陷入局部最优解。为了降低SVM在这方面的不足,本文提出了遗传算法和粒子群算法相结合(PSOGA)对参数进行优化求解,并将该算法建立的模型应用到实验中。仿真结果说明该方法避免了陷入局部解,提高了收敛速度并缩短了优化时间,是一个很有效的方法。     

Convergence of a Generalized SMO Algorithm for SVM Classifier Design

Convergence of a generalized version of the modified SMO algorithms given by Keerthi et al. for SVM classifier design is proved. The convergence results are also extended to modified SMO algorithms for solving -SVM classifier problems.     

支持向量机辅助演化的算术优化算法及其应用

针对算术优化算法（arithmetic optimization algorithm,AOA）种群多样性较差、易陷入局部最优解等问题,提出支持向量机辅助演化的算术优化算法（arithmetic optimization algorithm assisted by support vector machine,SVMAOA）。引入平衡优化器算法中的平衡池概念,池内汇聚了基于成功历史自适应差分算法中四种突变策略生成的子代和平均候选解,以提高种群的多样性;引入支持向量机算法,依据适应度值和个体间距离计算得出的留存率将平衡池中候选解转换为训练集,并对平衡池中候选解进行分类,保留优势候选解;根据留存率对优势候选解排序,保留前[N]个个体用以构建新的平衡池;通过将SVMAOA与其他优化算法在基准函数上进行仿真实验,结果表明改进后算法寻优精度更高,收敛速度更快。并通过七个UCI数据集对基于SVMAOA的特征选择方法进行实验,评估平均分类准确率和所选特征个数,结果表明该算法可有效降低特征维度,实现数据分类,具有一定的工程应用价值。     

结合SVM的交互式遗传算法及其应用

交互式遗传算法在人机交互过程中．用户对每代的所有个体都要进行评估。针对个体数量较大．进化代数较多．用户容易疲劳这一问题。提出了一种改进算法。充分利用遗传初始阶段用户所选择的正例和反例信息．采用支持向量机构造分类器．在整个图像库中找出更多符合分类器的图像加入到遗传过程．以扩大遗传操作中好个体的个数．加速算法收敛．从而减轻用户疲劳;同时交互中不断扩大的样本集也使支持向量机分类器更加准确．从而建立比较完善的个性化的情感模型。本文将该算法应用于服装图像的个性化情感检索。实验结果表明．所提出的方法可以较好地减轻用户疲劳,检索出的图像较好地体现用户的个性化情感。     

基于MCS的SVM参数优化研究

由于优化杜鹃算法是利用了鸟类特殊的利维飞行模式的群体智能算法,并且增加了粒子间的信息交流,故将该算法引入支持向量机惩罚系数和核参数的自动寻优中。给出了实现方式,并讨论了概率参数的设置对收敛性的影响。通过与传统的GA/PSO-SVM对比验证,MCS-SVM方法使得分类精确率平均提高2.28%,既能显著提高分类效率,又表现出很好的泛化性能。