基于ACO算法的SVM核函数的参数优化

J4 ›› 2011, Vol. 33 ›› Issue (10): 126-130.

基于ACO算法的SVM核函数的参数优化

赵新建，沈友文，徐〓俊

(浙江工业大学计算机学院，浙江杭州 310023)

收稿日期:2010-09-09 修回日期:2010-12-20 出版日期:2011-10-25 发布日期:2011-10-25

Parameter Optimization of the SVM Kernel Function Based on the ACO Algorithm

ZHAO Xinjian，SHEN Youwen，XU Jun

(School of Computer Science and Technology,Zhejiang University of Technology,Hangzhou 310023,China)

Received:2010-09-09 Revised:2010-12-20 Online:2011-10-25 Published:2011-10-25

摘要/Abstract

摘要：

本文针对核函数参数选择的随意性影响支持向量机分类性能的问题，提出了一种基于离散编码的蚁群算法(CCACODE)的SVM核函数优化模型。CCACODE解决了连续函数优化的蚁群算法(CACO)求解之前必须进行预处理的问题，解决了基于网格划分策略的连续域蚁群算法(CACOGT)在求解精度的缺点、最优解必在定义域内的等分割点问题。仿真结果验证了该方法的有效性， F1值达到了90%以上。

关键词: 蚁群算法, 核函数, 支持向量机, 参数优化

Abstract:

As to the problem that the arbitrariness selection of the kernel parameters affects the performance of SVM, this paper presents the SVM kernel function optimization model based on the discrete ACO algorithm (CCACODE). CCACODE solves the problem that the continuous ACO algorithm (CACO) must be pretreated; solves the precision shortcomings of the CACO based on a grid search strategy. The simulation result shows that the method is effective, and the F1 value reaches more than 92%.

Key words: ACO;kernel function;svm;paramerter optimization

赵新建，沈友文，徐〓俊. 基于ACO算法的SVM核函数的参数优化[J]. J4, 2011, 33(10): 126-130.

ZHAO Xinjian，SHEN Youwen，XU Jun. Parameter Optimization of the SVM Kernel Function Based on the ACO Algorithm[J]. J4, 2011, 33(10): 126-130.

[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]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[6]	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.
[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]	赵广元, 赵英. 基于改进蚁群优化算法的养殖场机器人路径规划[J]. 计算机工程与科学, 2022, 44(05): 910-915.
[9]	刘雨青, 向军, 曹守启. 基于改进蚁群算法的水下自主航行机器人路径规划[J]. 计算机工程与科学, 2022, 44(03): 536-544.
[10]	胡平志, 李泽滔. 基于改进蚁群算法的四足机器人步态规划[J]. 计算机工程与科学, 2021, 43(12): 2253-2262.
[11]	宋阿妮, 包贤哲. 精英扩散蚁群优化算法求解运输无人机三维路径规划[J]. 计算机工程与科学, 2021, 43(10): 1891-1900.
[12]	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.
[13]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[14]	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.
[15]	马贵平, 潘峰. 基于改进蚁群算法的物流运输路径研究[J]. 计算机工程与科学, 2020, 42(03): 523-528.