改进的粒子群算法及其SVM参数优化应用

作者：陈治明

来源：计算机工程与应用, 2011, (10): 38-40.

• 量子粒子群
• 最小二乘支持向量机
• 基准测试
• 参数优化 quantum Particle Swarm Optimization(PSO)
• Least Squares Support Vector Machine(LS-SVM)
• benchmark test
• parameter optimization

支持向量机是一种性能优越的机器学习算法,而其参数的选择对建模精度和泛化性能等有着重要的影响,也是目前机器学习研究的一个重要方向。在简要介绍基本粒子群优化(PSO)算法的基础上,提出了一种量子粒子群优化算法,给出了其实现方式,并通过4个基准测试函数进行性能对比评价。基于这种量子粒子群优化算法,对最小二乘支持向量机(LS-SVM)的参数优化进行了研究。仿真结果表明,量子粒子群优化算法能给出很好的优化结果。

• 出版日期2011
• 单位惠州学院