第13卷第1期 智能系统学报 Vol.13 No.I 2018年2月 CAAI Transactions on Intelligent Systems Feb.2018 D0:10.11992/tis.201707011 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180130.1109.002.html 群智能算法优化支持向量机参数综述 李素，袁志高'，王聪，陈天恩2，郭兆春 (1.北京工商大学食品安全大数据技术北京市重点实验室，北京100048：2.国家农业信息化工程技术研究中心，北 京100097) 摘要：支持向量机建立在统计学习的理论基础之上，具有理论的完备性，但是在应用上仍然存在模型参数难以选择 的问题。首先，介绍了支持向量机和群智能算法的基本概念：然后，系统地叙述了各种经典的群智能算法进行支持向 量机参数优化取得的最新研究成果以及总结了优化过程中存在的问题和解决方案：最后，结合该领域当前研究现状 提出了群智能算法优化支持向量机参数研究中需要关注的问题，展望了这一研究方向在未来的发展趋势和前景。 关键词：支持向量机：统计学习；群智能：参数优化：全局寻优：并行搜索：收敛速度：寻优精度 中图分类号：TP181文献标志码：A 文章编号：1673-4785(2018)01-0070-15 中文引用格式：李素，袁志高，王聪等.群智能算法优化支持向量机参数综述.智能系统学报，2018,13(1)：70-84. 英文引用格式：LISu,YUAN Zhigao,WANG Cong,etal.Optimization of support vector machine parameters based on group in- telligence algorithm[J].CAAl transactions on intelligent systems,2018,13(1):70-84. Optimization of support vector machine parameters based on group intelligence algorithm LI Su',YUAN Zhigao',WANG Cong2,CHEN Tianen',GUO Zhaochun' (1.Beijing Key Laboratory of Big Data Technology for Food Safety,Beijing Technology and Business University,Beijing 100048. China;2.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China) Abstract:The support vector machine is based on statistical learning theory,which is complete,but problems remain in the application of model parameters,which are difficult to choose.In this paper,we first introduce the basic concepts of the support vector machine and the group intelligence algorithm.Then,to optimize the latest research results and sum- marize existing problems and solutions,we systematically describe various classical group intelligence algorithms that the support vector machine parameters identified.Finally,drawing on the current research situation for this field,we identify the problems that must be addressed in the optimization of support vector machine parameters in the group in- telligence algorithm and outline the prospects for future development trends and research directions. Keywords:support vector machine;statistical study;group intelligence algorithm;optimization of parameters,global optimization;parallel search;convergence speed;optimization accuracy 在20世纪70年代，由Vapnik等提出的统计 面具有较强的并行处理能力，寻优速度快，同时具 学习理论是研究有限样本情况下机器学习规律的理 有全局寻优等特点。使用群智能算法是当前支持向 论，而支持向量机的发展则是基于该理论的。随着 量机参数优化方法的研究前沿。 支持向量机发展得越来越成熟，其不完善的地方仍 1支持向量机理论 需要进一步研究。参数的优化选择一直以来是支持 向量机的一个研究热点。群智能算法在参数优化方 基于数据的机器学习是现代智能技术的一个重 收稿日期：2017-07-06.网络出版日期：2018-01-30. 要方面，机器学习本质上就是一种问题真实模型的 基金项目：国家自然科学基金项目(31101088,91546112)：北京市 教育委员会科技计划面上项目(KM201310011010). 逼近，研究从观测数据（样本）出发寻找用来对未知 通信作者：陈天恩.E-mail:chente@nercita.org.cn. 数据进行预测的规律。DOI: 10.11992/tis.201707011 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180130.1109.002.html 群智能算法优化支持向量机参数综述 李素1 ，袁志高1 ，王聪2 ，陈天恩2 ，郭兆春1 （1. 北京工商大学 食品安全大数据技术北京市重点实验室，北京 100048; 2. 国家农业信息化工程技术研究中心，北 京 100097） 摘 要：支持向量机建立在统计学习的理论基础之上，具有理论的完备性，但是在应用上仍然存在模型参数难以选择 的问题。首先，介绍了支持向量机和群智能算法的基本概念；然后，系统地叙述了各种经典的群智能算法进行支持向 量机参数优化取得的最新研究成果以及总结了优化过程中存在的问题和解决方案；最后，结合该领域当前研究现状， 提出了群智能算法优化支持向量机参数研究中需要关注的问题，展望了这一研究方向在未来的发展趋势和前景。 关键词：支持向量机；统计学习；群智能；参数优化；全局寻优；并行搜索；收敛速度；寻优精度 中图分类号：TP181 文献标志码：A 文章编号：1673−4785(2018)01−0070−15 中文引用格式：李素, 袁志高, 王聪, 等. 群智能算法优化支持向量机参数综述[J]. 智能系统学报, 2018, 13(1): 70–84. 英文引用格式：LI Su, YUAN Zhigao, WANG Cong, et al. Optimization of support vector machine parameters based on group in￾telligence algorithm[J]. CAAI transactions on intelligent systems, 2018, 13(1): 70–84. Optimization of support vector machine parameters based on group intelligence algorithm LI Su1 ，YUAN Zhigao1 ，WANG Cong2 ，CHEN Tianen2 ，GUO Zhaochun1 (1. Beijing Key Laboratory of Big Data Technology for Food Safety, Beijing Technology and Business University, Beijing 100048, China; 2. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) Abstract: The support vector machine is based on statistical learning theory, which is complete, but problems remain in the application of model parameters, which are difficult to choose. In this paper, we first introduce the basic concepts of the support vector machine and the group intelligence algorithm. Then, to optimize the latest research results and sum￾marize existing problems and solutions, we systematically describe various classical group intelligence algorithms that the support vector machine parameters identified. Finally, drawing on the current research situation for this field, we identify the problems that must be addressed in the optimization of support vector machine parameters in the group in￾telligence algorithm and outline the prospects for future development trends and research directions. Keywords: support vector machine; statistical study; group intelligence algorithm; optimization of parameters; global optimization; parallel search; convergence speed; optimization accuracy 在 20 世纪 70 年代，由 Vapnik 等 [1]提出的统计 学习理论是研究有限样本情况下机器学习规律的理 论，而支持向量机的发展则是基于该理论的。随着 支持向量机发展得越来越成熟，其不完善的地方仍 需要进一步研究。参数的优化选择一直以来是支持 向量机的一个研究热点。群智能算法在参数优化方 面具有较强的并行处理能力，寻优速度快，同时具 有全局寻优等特点。使用群智能算法是当前支持向 量机参数优化方法的研究前沿。 1 支持向量机理论 基于数据的机器学习是现代智能技术的一个重 要方面，机器学习本质上就是一种问题真实模型的 逼近，研究从观测数据 (样本) 出发寻找用来对未知 数据进行预测的规律。 收稿日期：2017−07−06. 网络出版日期：2018−01−30. 基金项目：国家自然科学基金项目 (31101088，91546112)；北京市 教育委员会科技计划面上项目 (KM201310011010). 通信作者：陈天恩. E-mail：chente@nercita.org.cn. 第 13 卷第 1 期 智 能 系 统 学 报 Vol.13 No.1 2018 年 2 月 CAAI Transactions on Intelligent Systems Feb. 2018