第1期 李素，等：群智能算法优化支持向量机参数综述 。75· 3.5.2人工蜂群算法优化支持向量机参数 综上所述，人工蜂群算法通过不断地研究与改 针对传统的人工蜂群算法初始种群在解空间分 进，在陷入局部最优解问题时，该算法极大程度地 布不均匀、收敛速度慢等缺点，吴少华等5提出了 避免了该问题，并且优化性能比传统方法更出色。 一种基于二维均匀设计和欧式距离的改进人工蜂群 人工蜂群算法提出的时间还不长，仍处于起步阶 算法，对算法的主要改进为：在种群初始时，引入二 段，还需要更进一步的研究。 维均匀设计理论，使初始食物源更加均匀地分布在 3.6萤火虫算法 解搜索空间当中；在构建新食物源时，提出一种基 3.6.1萤火虫算法简介 于欧氏距离的觅食方法以改进种群局部和全局的更 萤火虫算法(glowworm swarm optimization, 新策略，此改进提高了算法的全局搜索能力。仿真 GSO)是印度学者KN.Krishnanand6s等提出的一种 实验结果表明，改进的蜂群算法具有更快的收敛速 群智能优化算法。萤火虫算法的主要原理是：模拟 度。刘霞等6也提出了一种基于混沌人工蜂群算法 萤火虫运动过程中通过个体的荧光素发出的荧光来 优化的SVM齿轮故障诊断方法。该方法采用Lo- 吸引其他同伴，并向领域中荧光最亮、位置较优的 gistic混沌映射初始化种群和锦标赛选择策略，对 萤火虫移动，从而达到自身的位置最优。 SVM的惩罚因子和核函数参数进行优化。混沌人 萤火虫算法具有寻优速度快、计算时间短等特 工蜂群算法在一定程度上避免了寻优速度较慢和早 点，目前已成功应用于求解阻塞流水线调度问题6刀 熟收敛的问题，其优化的SVM能获得更高的分类 传感器节能6和人工智能6等领域。 正确率和更快的搜索速度，该方法具有重要的工程 3.6.2萤火虫算法优化支持向量机参数 应用价值。 针对基本萤火虫算法存在着早期收敛速度较 针对基于传统的参数优化算法在优化过程中会 慢，后期收敛不稳定等问题，杨海等6提出了一种基 不同程度地陷入局部最优解的问题，刘铭等6)提出 于改进萤火虫算法的SVM核函数参数选取方法。 了一种基于交叉变异人工蜂群算法的SVM参数优 文献[69]中是通过改进萤火虫位置更新公式，并在 化方法，并将其应用于入侵检测。实验表明，此算 移动过程中引入亮度特征从而确定最佳的SVM核 法克服了局部最优值的缺陷，使检测器获得了更高 函数参数。位置更新公式为 的检测率、较低的误报率，所以入侵检测系统在防 御网络入侵方面表现得更好。李璟民等6提出了一 x.(t+1)=x()+l(t)XBoe(x+x)+ax(rand-)(5) 种人工蜂群优化SVM参数的方法，对SVM的惩罚 式（⑤）表示当在视野范围内遇到比自己更亮的 因子和函数宽度进行优化，并将该优化方法应用于 萤火虫时，利用彼此之间的距离参考空间能见度， 小麦完好粒、霉变粒和发芽粒3类麦粒的识别当 形成一个高亮度个体对低亮度个体的吸引力，同时 中。实验结果表明，采用人工蜂群来优化SVM的 可以使用常量e来加速收敛。其中B。表示距离为 方法对小麦完好粒、霉变粒和发芽粒的分类正确率 0时的吸引力，y为光强吸收系数，表示两只萤火 达到86%以上；该研究有较强的实用价值，为 虫之间的欧几里得距离的平方，rand为[O,1]上服从 SVM性能优化提供了一种新的方法。 均匀分布的随机因子。实验结果表明，改进后的萤 还有一些学者用人工蜂群算法优化SVM参 火虫算法选取的SVM核函数参数在保证了分类器 数，同时应用到一些领域来验证该算法的有效性， 收敛性能的同时，显著提高了分类精度，取得了良 例如，Yang等6提出了一种基于人工蜂群算法优 好的优化效果。 化SVM参数的方法，同时应用于齿轮故障诊断当 目前使用萤火虫算法优化SVM参数的学者也 中。与其他群智能算法进行比较，实验结果表明该 出现了很多，例如李茜楠等0提出了一种基于优化 方法可以在最少的时间获得较高的精度；D.T.Bui 此算法的高光谱遥感波段选择方法。该算法针对原 等6提出了一种利用最小二乘SVM推理模型和人 始萤火虫算法的缺点，改进了算法的初始值以及目 工蜂群优化的混合智能方法对老挝地区（越南）降 标函数，设计了一种新型的基于仿生算法的波段选 雨诱发滑坡的空间预测。实验结果表明，该模型的 择新方法。实验结果表明，该方法可以比较快速地 预测能力比从流行的SVM获得的预测能力更好。 选取目标波段，并且具有较高的精度。刘玉坤等四 因此，该模型是研究区域滑坡空间预测的有效工 提出了一种人工萤火虫算法优化最小二乘SVM的 具：Z.Mustaffa等6提出一种人工蜂群算法来优化 方法，并且应用于网络热点话题预测当中。预测结 最小二乘SVM的参数，并用于商品价格预测当中。实证 果表明，用萤火虫算法优化的最小二乘SVM网络 结果显示了所提出的技术具有更高预测精度的能力。 热点预测模型不仅提高了网络热点话题的预测准确3.5.2 人工蜂群算法优化支持向量机参数 针对传统的人工蜂群算法初始种群在解空间分 布不均匀、收敛速度慢等缺点，吴少华等[59]提出了 一种基于二维均匀设计和欧式距离的改进人工蜂群 算法，对算法的主要改进为：在种群初始时，引入二 维均匀设计理论，使初始食物源更加均匀地分布在 解搜索空间当中；在构建新食物源时，提出一种基 于欧氏距离的觅食方法以改进种群局部和全局的更 新策略，此改进提高了算法的全局搜索能力。仿真 实验结果表明，改进的蜂群算法具有更快的收敛速 度。刘霞等[60]也提出了一种基于混沌人工蜂群算法 优化的 SVM 齿轮故障诊断方法。该方法采用 Lo￾gistic 混沌映射初始化种群和锦标赛选择策略，对 SVM 的惩罚因子和核函数参数进行优化。混沌人 工蜂群算法在一定程度上避免了寻优速度较慢和早 熟收敛的问题，其优化的 SVM 能获得更高的分类 正确率和更快的搜索速度，该方法具有重要的工程 应用价值。 针对基于传统的参数优化算法在优化过程中会 不同程度地陷入局部最优解的问题，刘铭等[61]提出 了一种基于交叉变异人工蜂群算法的 SVM 参数优 化方法，并将其应用于入侵检测。实验表明，此算 法克服了局部最优值的缺陷，使检测器获得了更高 的检测率、较低的误报率，所以入侵检测系统在防 御网络入侵方面表现得更好。李璟民等[62]提出了一 种人工蜂群优化 SVM 参数的方法，对 SVM 的惩罚 因子和函数宽度进行优化，并将该优化方法应用于 小麦完好粒、霉变粒和发芽粒 3 类麦粒的识别当 中。实验结果表明，采用人工蜂群来优化 SVM 的 方法对小麦完好粒、霉变粒和发芽粒的分类正确率 达到 8 6% 以上；该研究有较强的实用价值，为 SVM 性能优化提供了一种新的方法。 还有一些学者用人工蜂群算法优化 SVM 参 数，同时应用到一些领域来验证该算法的有效性， 例如，Yang 等 [63]提出了一种基于人工蜂群算法优 化 SVM 参数的方法，同时应用于齿轮故障诊断当 中。与其他群智能算法进行比较，实验结果表明该 方法可以在最少的时间获得较高的精度；D.T.Bui 等 [64]提出了一种利用最小二乘 SVM 推理模型和人 工蜂群优化的混合智能方法对老挝地区 (越南) 降 雨诱发滑坡的空间预测。实验结果表明，该模型的 预测能力比从流行的 SVM 获得的预测能力更好。 因此，该模型是研究区域滑坡空间预测的有效工 具；Z.Mustaffa 等 [65]提出一种人工蜂群算法来优化 最小二乘SVM的参数，并用于商品价格预测当中。实证 结果显示了所提出的技术具有更高预测精度的能力。 综上所述，人工蜂群算法通过不断地研究与改 进，在陷入局部最优解问题时，该算法极大程度地 避免了该问题，并且优化性能比传统方法更出色。 人工蜂群算法提出的时间还不长，仍处于起步阶 段，还需要更进一步的研究 。 3.6 萤火虫算法 3.6.1 萤火虫算法简介 萤火虫算法 (glowworm swarm optimization, GSO) 是印度学者 K.N.Krishnanand[66]等提出的一种 群智能优化算法。萤火虫算法的主要原理是：模拟 萤火虫运动过程中通过个体的荧光素发出的荧光来 吸引其他同伴，并向领域中荧光最亮、位置较优的 萤火虫移动，从而达到自身的位置最优。 萤火虫算法具有寻优速度快、计算时间短等特 点，目前已成功应用于求解阻塞流水线调度问题[67] 、 传感器节能[68]和人工智能[69]等领域。 3.6.2 萤火虫算法优化支持向量机参数 针对基本萤火虫算法存在着早期收敛速度较 慢，后期收敛不稳定等问题，杨海等[69]提出了一种基 于改进萤火虫算法的 SVM 核函数参数选取方法。 文献[69]中是通过改进萤火虫位置更新公式，并在 移动过程中引入亮度特征从而确定最佳的 SVM 核 函数参数。位置更新公式为 xi(t+1) = xi(t)+lj(t)×β0e −γr 2 i j(xj+xi)+α×(rand− 1 2 ) (5) r 2 i j 式 (5) 表示当在视野范围内遇到比自己更亮的 萤火虫时，利用彼此之间的距离参考空间能见度， 形成一个高亮度个体对低亮度个体的吸引力，同时 可以使用常量 e 来加速收敛。其中 β0 表示距离为 0 时的吸引力，γ 为光强吸收系数， 表示两只萤火 虫之间的欧几里得距离的平方，rand 为[0, 1]上服从 均匀分布的随机因子。实验结果表明，改进后的萤 火虫算法选取的 SVM 核函数参数在保证了分类器 收敛性能的同时，显著提高了分类精度，取得了良 好的优化效果。 目前使用萤火虫算法优化 SVM 参数的学者也 出现了很多，例如李茜楠等[70]提出了一种基于优化 此算法的高光谱遥感波段选择方法。该算法针对原 始萤火虫算法的缺点，改进了算法的初始值以及目 标函数，设计了一种新型的基于仿生算法的波段选 择新方法。实验结果表明，该方法可以比较快速地 选取目标波段，并且具有较高的精度。刘玉坤等[71] 提出了一种人工萤火虫算法优化最小二乘 SVM 的 方法，并且应用于网络热点话题预测当中。预测结 果表明，用萤火虫算法优化的最小二乘 SVM 网络 热点预测模型不仅提高了网络热点话题的预测准确 第 1 期 李素，等：群智能算法优化支持向量机参数综述 ·75·