融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

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。