[发明专利]一种基于粒子群优化算法对支持向量机的优化方法

摘要

本发明公开了一种基于粒子群优化算法对支持向量机的优化方法。本发明实施例公开了一种基于PSO算法对SVM分类模型的优化方法，属于计算机人工智能技术领域。本发明实施例一方面根据粒子适应度调节惯性权重，从而实现了惯性权重的自适应调整，增加了惯性权重的多样性，更好的平衡PSO算法全局探索能力和局部搜索能力，另一方面，通过利用搜索成功的粒子的位置计算出的阈值作为变异条件，能更好地控制粒子变异的时机，粒子经过变异后，粒子跳出局部最优解的能力得到提升，有利于对支持向量机参数的最优值寻优，以提高SVM算法的分类准确率。本发明通过对SVM分类模型的参数的优化，提高了SVM分类模型分类的准确率，促进SVM分类模型在模式识别、系统控制、生产调度、计算机工程以及电子通信领域更加广泛的应用。

主权项

一种基于粒子群的优化算法对支持向量机的优化方法，其特征在于，包括：步骤S1，对粒子群的各参数进行初始化，所述参数包括粒子群的种群规模、迭代次数、搜索空间维度、搜索范围的最大值、搜索范围的最小值，粒子群中每个粒子的速度、位置、自我学习因子和社会学习因子；步骤S2，将初始化后的每个粒子的位置初始值带入适应度函数，得到每个粒子的适应度；步骤S3，根据每个粒子的适应度，计算每个粒子的个体最优位置、个体最优适应度以及粒子群的种群最优位置、种群最优适应度；步骤S4，基于种群最优适应度和个体最优适应度计算惯性权重；步骤S5，基于惯性权重、自我学习因子、社会学习因子、每个粒子的个体最优位置和粒子群的种群最优位置，更新每个粒子的速度和位置；步骤S6，计算每个粒子在当前迭代次数时的个体最优适应度与前一次迭代次数时的个体最优适应度的比值，将所述比值与预定阈值进行比较，若所述某个粒子比值小于预定阈值，则判定该粒子搜索成功；步骤S7，计算搜索成功的粒子的位置到所述种群最优位置的欧氏距离，并对所有搜索成功的粒子所对应的欧氏距离取平均值，得到距离阈值；步骤S8，判断每个粒子的位置到所述种群最优位置的欧氏距离是否小于所述距离阈值，若是，则对小于距离阈值的粒子进行变异操作；步骤S9，判断当前迭代次数是否小于设定的迭代次数；步骤S10，若当前迭代次数小于设定的迭代次数，则输出粒子群的当前种群最优位置，并将所述种群最优位置映射为支持向量机中的惩罚因子C和径向基核函数半径g；步骤S11，根据所述惩罚因子C和径向基核函数半径g对支持向量机进行训练。