改进人工鱼群算法在SVM参数优化中的应用

计算机工程与科学

改进人工鱼群算法在SVM参数优化中的应用

邱云飞，李智义

（辽宁工程技术大学软件学院,辽宁葫芦岛 125105）

收稿日期:2017-06-21 修回日期:2018-01-04 出版日期:2018-11-25 发布日期:2018-11-25
基金资助:
国家自然科学青年基金（61401185）；辽宁省高等学校杰出青年学者成长计划基金（LJQ2012027）；辽宁省教育厅一般基金（L2013131，L2013133）

An improved artificial fish swarm algorithm

and its application for SVM parameter optimization

QIU Yunfei，LI Zhiyi

（School of Software,Liaoning Technical University，Huludao 125105，China）

Received:2017-06-21 Revised:2018-01-04 Online:2018-11-25 Published:2018-11-25

摘要/Abstract

摘要：

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。

关键词: 支持向量机, 人工鱼群算法, 粒子群算法, 参数优化

Abstract:

Parameter optimization of support vector machines has always been an important research direction. The quality of the parameters determines the classification accuracy and generalization ability of the support vector machine (SVM) to a great extent. Given that using the artificial fish swarm algorithm for optimizing the parameters of the SVM tends to hover near the optimal solution in the late stage, we put forward an improved artificial fish swarm algorithm. It uses velocity parameters instead of the artificial fish step and obtains optimal target and the optimal parameters of the SVM. Simulation results show that the proposed method has the advantages of fast convergence speed, high numerical accuracy and low dependence on initial values, as well as better performance and higher classification accuracy in SVM parameter optimization. It is an effective parameter optimization method.

Key words: support vector machine, artificial fish swarm algorithm, particle swarm optimization, parameter optimization

邱云飞，李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学.

QIU Yunfei，LI Zhiyi.

An improved artificial fish swarm algorithm

and its application for SVM parameter optimization

[J]. Computer Engineering & Science.

[1]	陈侨安1，李峰1，曹越1，龙明盛1,2. 基于运行数据分析的Spark任务参数优化[J]. J4, 20160101, 38(01): 11-19.
[2]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[3]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[4]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(02): 346-354.
[5]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[6]	谢俊标, 江峰, 杜军威, 赵军. 基于改进人工鱼群算法与RBF神经网络的股票价格预测[J]. 计算机工程与科学, 2022, 44(11): 2080-2090.
[7]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(06): 1133-1140.
[8]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[9]	王翼虎, 王思明. 基于改进粒子群算法的无人机路径规划[J]. 计算机工程与科学, 2020, 42(09): 1690-1696.
[10]	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(07): 1294-1301.
[11]	闫盼盼，俞海珍，史旭华，万凯. 基于Pareto支配的MPRM电路面积与功耗优化[J]. 计算机工程与科学, 2020, 42(04): 596-602.
[12]	王硕禾1，刘旭1，李苏晨1，张国驹2. 基于多目标遗传算法的LoRa参数匹配优化[J]. 计算机工程与科学, 2020, 42(03): 434-440.
[13]	韦修喜1，黄华娟1，周永权1,2. 基于AP聚类的约简孪生支持向量机快速分类算法[J]. 计算机工程与科学, 2019, 41(10): 1899-1904.
[14]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(07): 1212-1219.
[15]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.