·74· 智能系统学报 第13卷 此外，粒子群算法优化SVM参数还被应用于 朱文静等so也提出了一种混沌人工鱼群算法对SVM 确定从新生儿到六岁的幼儿的骨龄、非重塑护提 参数的优化方法，在人工鱼群优化算法基础上引入 防波提的损伤水平预测以及评价产品的Kansei 混沌思想，利用混沌序列的随机性、遍历性和规律 图像等方面，同时以上参考文献中实验结果表明， 性来提高算法的效率，得到了一种性能更好的混沌 搜索到的最优参数可以达到较高的正确率，有效提 人工鱼群算法，并将通过该算法优化后的SVM的 高SVM预测与分类精度。 核参数与惩罚因子应用于语音识别系统中。冯晓琳 综上所述，粒子群算法引起国内外学者的广泛 等例也提出了一种基于改进型人工鱼群算法的SVM 研究。虽然粒子群算法依然存在各种各样的问题， 参数优化方法。该改进的人工鱼群算法实行参数动 但是通过不断地研究与改进，粒子群算法可以有效 态化，加入局部遍历算法，提高了人工鱼群算法的 地实现SVM参数的选择，是一种优秀的SVM参数 精度。 优化方法。 传统人工鱼群算法的循环体有可能出现最佳解 3.4人工鱼群算法 的缺失，为了解决此问题，Bai Jing等s提出了一种 3.4.1人工鱼群算法简介 基于并行人工鱼群算法的SVM参数优化方法。实 人工鱼群算法(artificial fish swarm algorithm, 验结果表明，该新算法是一种有效的SVM参数优 AFSA)是我国学者李晓磊44提出的一种模拟鱼类 化方法，使得SVM不仅具有良好的泛化能力，同时 觅食活动的群智能算法。人工鱼群算法主要原理是 还具有更好的鲁棒性。 通过模拟鱼群觅食、聚群、追尾三大基本行为，采用 针对传统人工鱼群算法具有陷入局部最优的缺 自下而上的思路进行寻优。 陷，Lin Kuancheng等s提出一种基于改进的人工鱼 人工鱼群算法具有寻优速度快、全局寻优能力 群算法的SVM参数优化方法。实验结果表明，与 以及较强的并行处理能力等优点，被广泛应用于车 原始人工鱼群算法相比，改进后的算法在分类精度 间调度分配46、电力系统规划列以及机器学习48割 上具有明显的优越性。 等领域。 目前仍有很多学者使用人工鱼群算法来优化 3.42人工鱼群算法优化支持向量机参数 SVM参数，并且应用于各种领域，例如僵尸网络检 使用人工鱼群算法进行SVM参数优化的实验 测当中等。通过以上领域的应用和实验结果的显 中，人工鱼群算法使用多条人工鱼同时进行寻优， 示，充分证明了人工鱼群算法在优化SVM参数方 从中选取最优的值作为此次优化的结果。由于缺乏 面具有很大优势，寻找到的最优参数有效地提高了 对SVM的参数优化问题的理论支持，所以高雷阜 SVM的分类预测精度。 等4提出了基于人工鱼群算法的SVM参数优化选 综上所述，人工鱼群算法作为新兴的群体智能 取算法。文献中利用人工鱼群的并行性，能够更快 优化算法，具有较好的并行性以及不易陷入局部极 地收敛于全局极值点，并且以分类准确率最大化作 值等优点，同时还具有良好的寻优能力，可以使SVM 为优化原则建立目标函数，实现对SVM的核参数 获得更高的预测精度。通过不断的研究与改进，人 和罚参数的优化选取。数值实验结果表明，人工鱼 工鱼群算法已成为一种可行的SVM参数优化方法。 群算法在SVM参数优化选取中具有更快的寻优性 3.5人工蜂群算法 能，同时具有较高的分类准确率。在文献的结论提 3.5.1人工蜂群算法简介 出了针对不同的具体问题只是通过现有的核函数的 人工蜂群算法(artificial bee colony algorithm, 选取，可能在某种程度上会影响SVM的性能，而且 ABC)是用于模拟蜂群智能搜索行为的一种仿生算 人工鱼群算法能较快收敛到最优解的邻域中，但是 法，由土耳其埃尔吉耶斯大学的Karabogalss1于 搜索寻优的性能仍需改进。 2005年提出。人工蜂群算法的主要原理是，模仿自 虽然人工鱼群算法具有对初值要求不高以及简 然界中蜜蜂采蜜的过程，群体中的蜜蜂根据分工不 单实现等优点，但是也存在寻优精度不高、后期收 同完成采蜜过程的各阶段任务，通过食物源信息的 敛速度较慢的缺陷。针对此问题，田海雷等4提出 收集与共享，寻找问题的最优解。 了一种基于改进人工鱼群算法，对SVM参数进行 人工蜂群算法作为一种模拟蜜蜂群智能搜索行 优化，在对人工鱼群算法进行深入分析的基础上， 为的优化算法，具有控制参数少、计算简单和易于 同时对人工鱼群算法进行改进，改进后的人工鱼自 实现等特点，已成为目前研究的热点之一，被广泛 适应地获取视野和步长，从而有效地改善算法的性 应用于飞机着陆问题56、无人机航路规划问题$以 能，实验结果表明该算法获得了更高的预测精度。 及车间调度问题8。此外，粒子群算法优化 SVM 参数还被应用于 确定从新生儿到六岁的幼儿的骨龄[41] 、非重塑护提 防波提的损伤水平预测[42]以及评价产品的 Kansei 图像[43]等方面，同时以上参考文献中实验结果表明， 搜索到的最优参数可以达到较高的正确率，有效提 高 SVM 预测与分类精度。 综上所述，粒子群算法引起国内外学者的广泛 研究。虽然粒子群算法依然存在各种各样的问题， 但是通过不断地研究与改进，粒子群算法可以有效 地实现 SVM 参数的选择，是一种优秀的 SVM 参数 优化方法。 3.4 人工鱼群算法 3.4.1 人工鱼群算法简介 人工鱼群算法 (artificial fish swarm algorithm, AFSA) 是我国学者李晓磊[44-45]提出的一种模拟鱼类 觅食活动的群智能算法。人工鱼群算法主要原理是 通过模拟鱼群觅食、聚群、追尾三大基本行为，采用 自下而上的思路进行寻优。 人工鱼群算法具有寻优速度快、全局寻优能力 以及较强的并行处理能力等优点，被广泛应用于车 间调度分配[46] 、电力系统规划[47]以及机器学习[48] 等领域。 3.4.2 人工鱼群算法优化支持向量机参数 使用人工鱼群算法进行 SVM 参数优化的实验 中，人工鱼群算法使用多条人工鱼同时进行寻优， 从中选取最优的值作为此次优化的结果。由于缺乏 对 SVM 的参数优化问题的理论支持，所以高雷阜 等 [48]提出了基于人工鱼群算法的 SVM 参数优化选 取算法。文献中利用人工鱼群的并行性，能够更快 地收敛于全局极值点，并且以分类准确率最大化作 为优化原则建立目标函数，实现对 SVM 的核参数 和罚参数的优化选取。数值实验结果表明，人工鱼 群算法在 SVM 参数优化选取中具有更快的寻优性 能，同时具有较高的分类准确率。在文献的结论提 出了针对不同的具体问题只是通过现有的核函数的 选取，可能在某种程度上会影响 SVM 的性能，而且 人工鱼群算法能较快收敛到最优解的邻域中，但是 搜索寻优的性能仍需改进。 虽然人工鱼群算法具有对初值要求不高以及简 单实现等优点，但是也存在寻优精度不高、后期收 敛速度较慢的缺陷。针对此问题，田海雷等[49]提出 了一种基于改进人工鱼群算法，对 SVM 参数进行 优化，在对人工鱼群算法进行深入分析的基础上， 同时对人工鱼群算法进行改进，改进后的人工鱼自 适应地获取视野和步长，从而有效地改善算法的性 能，实验结果表明该算法获得了更高的预测精度。 朱文静等[50]也提出了一种混沌人工鱼群算法对 SVM 参数的优化方法，在人工鱼群优化算法基础上引入 混沌思想，利用混沌序列的随机性、遍历性和规律 性来提高算法的效率，得到了一种性能更好的混沌 人工鱼群算法，并将通过该算法优化后的 SVM 的 核参数与惩罚因子应用于语音识别系统中。冯晓琳 等 [51]也提出了一种基于改进型人工鱼群算法的 SVM 参数优化方法。该改进的人工鱼群算法实行参数动 态化，加入局部遍历算法，提高了人工鱼群算法的 精度。 传统人工鱼群算法的循环体有可能出现最佳解 的缺失，为了解决此问题，Bai Jing 等 [52]提出了一种 基于并行人工鱼群算法的 SVM 参数优化方法。实 验结果表明，该新算法是一种有效的 SVM 参数优 化方法，使得 SVM 不仅具有良好的泛化能力，同时 还具有更好的鲁棒性。 针对传统人工鱼群算法具有陷入局部最优的缺 陷，Lin Kuancheng 等 [53]提出一种基于改进的人工鱼 群算法的 SVM 参数优化方法。实验结果表明，与 原始人工鱼群算法相比，改进后的算法在分类精度 上具有明显的优越性。 目前仍有很多学者使用人工鱼群算法来优化 SVM 参数，并且应用于各种领域，例如僵尸网络检 测当中[54]等。通过以上领域的应用和实验结果的显 示，充分证明了人工鱼群算法在优化 SVM 参数方 面具有很大优势，寻找到的最优参数有效地提高了 SVM 的分类预测精度。 综上所述，人工鱼群算法作为新兴的群体智能 优化算法，具有较好的并行性以及不易陷入局部极 值等优点，同时还具有良好的寻优能力，可以使 SVM 获得更高的预测精度。通过不断的研究与改进，人 工鱼群算法已成为一种可行的 SVM 参数优化方法。 3.5 人工蜂群算法 3.5.1 人工蜂群算法简介 人工蜂群算法 (artificial bee colony algorithm, ABC) 是用于模拟蜂群智能搜索行为的一种仿生算 法，由土耳其埃尔吉耶斯大学的 Karaboga[ 5 5 ]于 2005 年提出。人工蜂群算法的主要原理是，模仿自 然界中蜜蜂采蜜的过程，群体中的蜜蜂根据分工不 同完成采蜜过程的各阶段任务，通过食物源信息的 收集与共享，寻找问题的最优解。 人工蜂群算法作为一种模拟蜜蜂群智能搜索行 为的优化算法，具有控制参数少、计算简单和易于 实现等特点，已成为目前研究的热点之一，被广泛 应用于飞机着陆问题[56] 、无人机航路规划问题[57]以 及车间调度问题[58]。 ·74· 智 能 系 统 学 报 第 13 卷