·78· 智能系统学报 第13卷 表1各群智能算法优化SVM参数存在的优缺点比较 Table 1 Comparison of advantages and disadvantages of optimizing the SVM parameters of various groups of intelligence algorithms 群智能算法 优点 存在的问题 具有全局寻优能力：利用内在并行性，可以进行 易使实验结果陷入局部最优：训练时间较长： 遗传算法 分布式计算 分类精度较低 蚁群算法 具有较强的全局寻优能力：是一种正反馈的算法： 不能处理连续优化问题 具有较强的鲁棒性 粒子群算法 早期收敛速度快：寻优精度高 后期收敛速度缓慢：易陷入局部最优 具有较强的并行处理能力：寻优速度快：具备 人工鱼群算法 寻优精度不高；后期收敛速度较慢 全局寻优能力 人工蜂群算法 控制参数少，计算简单 收敛速度慢：易陷入局部最优 萤火虫算法 寻优速度快 早期收敛速度慢：后期收敛不稳定 蝙蝠算法 收敛速度快：搜索能力强 寻优精度不高 混合蛙跳算法 参数少，易于实现：具备优良全局寻优能力 易陷入局部最优 果蝇优化算法 结构简单，易于实现 易陷入局部最优：寻优精度不高 细菌觅食算法 并行搜索：易跳出局部极小值 收敛速度不够快：寻优精度不够高 群智能算法与其他 具有较强全局搜索能力；避免算法早熟收敛：提高 算法相结合 算法后期收敛速度 避免算法过早陷入局部最优：提高算法的寻优速度： 混合群智能算法 提高算法的寻优精度 每种算法都具有自己的优缺点，例如：粒子群 到满意的结果。因此有人就提出了用群智能算法来 算法具备了寻优精度高优点的同时也存在收敛速度 优化SVM参数，而且群智能算法发展至今以其分 缓慢的缺点：蝙蝠算法具有收敛速度快优点的同时 布性、自组织性、强的鲁棒性等优点已成功地应用 也存在寻优精度不高的缺点。所以，将以上两种算 于函数优化、神经网络等领域。虽然群智能算法用 法组合起来对SVM参数进行优化，弥补了互相的 于优化SVM参数取得了一定的成果，但仍然存在 不足，并发扬了互相的优点。 些问题有待解决。 总的来说，使用混合群智能算法优化SVM参 1)从本文中可以看出，经过国内外学者对群智 数的成果较少，群智能算法与其他算法结合用来优 能算法的不断研究与改进，群智能算法在SVM参 化SVM参数的成果也较少。大多数学者都是对某 数优化方面已经取得了很多重要的成果，例如，具 -种群智能算法进行改进用于SVM参数优化，虽 有较强的并行处理能力、寻优速度快、有效避免陷 然取得了一些实质性的进展，但是还存在各种各样 入局部最优以及可以进行全局寻优等，同时基于群 智能算法优化的SVM模型能够获得更高的预测和 的问题，例如解决了寻优精度不高的问题，但是又 分类精度。所以群智能算法是用来对SVM参数优 会出现寻优速度缓慢等问题。群智能算法优化 化的一个不错的选择。 SVM参数的研究成果当中，使用混合蛙跳算法、细 2)虽然有很多学者使用群智能算法在SVM参 菌觅食算法、花授粉算法以及果蝇优化算法来优化 数优化方面进行了大量的研究工作，但是并没有很 SVM参数的成果较少。 好地解决该问题。例如，改进的遗传算法虽然能在 4结束语 一定条件下避免陷入局部最优，但是依然存在陷入 局部最优的可能性，所以在判断陷入局部最优和跳 本文主要从群智能算法对SVM参数优化的研 出局部最优方面，还有待进一步研究且解决此问 究成果进行了论述。SVM虽然在理论上很完善了， 题。蚁群算法虽然获得的最优参数组合的分类性能 但是在应用上仍然存在一些问题，参数模型的选择 较其他算法更高，但是存在运行时间较长，样本数 就是其中比较典型的问题。然而没有一个成熟的理 增加到一定程度算法的时间复杂度更高等问题。所 论指导，传统的参数选取方法大多都既耗时又得不 以对蚁群算法的收敛性还需进一步研究。每种算法都具有自己的优缺点，例如：粒子群 算法具备了寻优精度高优点的同时也存在收敛速度 缓慢的缺点；蝙蝠算法具有收敛速度快优点的同时 也存在寻优精度不高的缺点。所以，将以上两种算 法组合起来对 SVM 参数进行优化，弥补了互相的 不足，并发扬了互相的优点。 总的来说，使用混合群智能算法优化 SVM 参 数的成果较少，群智能算法与其他算法结合用来优 化 SVM 参数的成果也较少。大多数学者都是对某 一种群智能算法进行改进用于 SVM 参数优化，虽 然取得了一些实质性的进展，但是还存在各种各样 的问题，例如解决了寻优精度不高的问题，但是又 会出现寻优速度缓慢等问题。群智能算法优化 SVM 参数的研究成果当中，使用混合蛙跳算法、细 菌觅食算法、花授粉算法以及果蝇优化算法来优化 SVM 参数的成果较少。 4 结束语 本文主要从群智能算法对 SVM 参数优化的研 究成果进行了论述。SVM 虽然在理论上很完善了， 但是在应用上仍然存在一些问题，参数模型的选择 就是其中比较典型的问题。然而没有一个成熟的理 论指导，传统的参数选取方法大多都既耗时又得不 到满意的结果。因此有人就提出了用群智能算法来 优化 SVM 参数，而且群智能算法发展至今以其分 布性、自组织性、强的鲁棒性等优点已成功地应用 于函数优化、神经网络等领域。虽然群智能算法用 于优化 SVM 参数取得了一定的成果，但仍然存在 一些问题有待解决。 1) 从本文中可以看出，经过国内外学者对群智 能算法的不断研究与改进，群智能算法在 SVM 参 数优化方面已经取得了很多重要的成果，例如，具 有较强的并行处理能力、寻优速度快、有效避免陷 入局部最优以及可以进行全局寻优等，同时基于群 智能算法优化的 SVM 模型能够获得更高的预测和 分类精度。所以群智能算法是用来对 SVM 参数优 化的一个不错的选择。 2) 虽然有很多学者使用群智能算法在 SVM 参 数优化方面进行了大量的研究工作，但是并没有很 好地解决该问题。例如，改进的遗传算法虽然能在 一定条件下避免陷入局部最优，但是依然存在陷入 局部最优的可能性，所以在判断陷入局部最优和跳 出局部最优方面，还有待进一步研究且解决此问 题。蚁群算法虽然获得的最优参数组合的分类性能 较其他算法更高，但是存在运行时间较长，样本数 增加到一定程度算法的时间复杂度更高等问题。所 以对蚁群算法的收敛性还需进一步研究。 表 1 各群智能算法优化 SVM 参数存在的优缺点比较 Table 1 Comparison of advantages and disadvantages of optimizing the SVM parameters of various groups of intelligence algorithms 群智能算法 优点 存在的问题 遗传算法 具有全局寻优能力；利用内在并行性，可以进行 分布式计算 易使实验结果陷入局部最优；训练时间较长； 分类精度较低 蚁群算法 具有较强的全局寻优能力；是一种正反馈的算法； 具有较强的鲁棒性 不能处理连续优化问题 粒子群算法 早期收敛速度快；寻优精度高 后期收敛速度缓慢；易陷入局部最优 人工鱼群算法 具有较强的并行处理能力；寻优速度快；具备 全局寻优能力 寻优精度不高；后期收敛速度较慢 人工蜂群算法 控制参数少，计算简单 收敛速度慢；易陷入局部最优 萤火虫算法 寻优速度快 早期收敛速度慢；后期收敛不稳定 蝙蝠算法 收敛速度快；搜索能力强 寻优精度不高 混合蛙跳算法 参数少，易于实现；具备优良全局寻优能力 易陷入局部最优 果蝇优化算法 结构简单，易于实现 易陷入局部最优；寻优精度不高 细菌觅食算法 并行搜索；易跳出局部极小值 收敛速度不够快；寻优精度不够高 群智能算法与其他 算法相结合 具有较强全局搜索能力；避免算法早熟收敛；提高 算法后期收敛速度 — 混合群智能算法 避免算法过早陷入局部最优；提高算法的寻优速度； 提高算法的寻优精度 — ·78· 智 能 系 统 学 报 第 13 卷