·76· 智能系统学报 第13卷 性，而且在网络舆情分析中还具有广泛的应用前景。 3.8其他群智能算法优化支持向量机参数 综上所述，萤火虫算法用于SVM参数优化方 除了本文单独列举出的7种群智能算法以外 法，存在很多的问题。经过不断地改进与研究，提 还有很多群智能算法被提出并且应用于SVM参数 出了各种各样的改进萤火虫算法用于SVM参数优 优化当中，如混合蛙跳算法、果蝇优化算法、细菌觅 化方面，使得SVM具有较高的分类性能，同时具备 食优化算法以及花授粉算法等。 比传统方法更好的优化性能。 混合蛙跳算法(shuffled frog leaping algorithm, 3.7蝙蝠算法 SFLA)的主要原理是：在一片湿地中生活着一群青 3.7.1蝙蝠算法简介 蛙，湿地内分布着许多石头，青蛙个体之间通过文 2010年YANG Xinshel2-7提出了一种元启发 化的交流实现信息的交换，青蛙通过寻找不同的石 式优化算法，这种算法就是蝙蝠算法(bat algorithm, 头进行跳跃去找到食物较多的地方。 BA)。蝙蝠算法的主要原理是，模仿自然界中的蝙 混合蛙跳算法是2003年Muzaffar Eusuff和 蝠利用声呐来避免障碍物探测猎物的群智能优化 Kevin Lansey提出的一种群智能优化算法，该算法 算法。 可以用于解决许多复杂的优化问题。曾燕等到 蝙蝠算法是一种新型的智能算法，在有效性和 人提出了一种基于改进的混合蛙跳算法优化最小二 准确性方面有明显的提高，同时它具有模型简单、 乘SVM的蔬菜总黄酮软测量模型。实验结果表 搜索能力强、收敛速度快等特点，被广泛应用于灰 明，该模型具有测量精度高，稳定性好的优点，有利 色图像边缘检测、电容车辆路由问题以及电力 于蔬菜总黄酮化学物测量工程的实际应用。 系统m当中。 果蝇优化算法(fruit fly optimization algorithm, 3.7.2蝙蝠算法优化支持向量机参数 FOA)的主要原理是：果蝇根据食物气味的浓度分 2015年，魏峻7提出了一种基于ReliefF和蝙 布判断飞行方向，如果其中一只果蝇的所处位置气 蝠算法的SVM参数优化方法，对SVM的惩罚参数 味浓度最高，那么种群中其余果蝇就会朝该方向移 动，然后再以该位置为初始位置继续随机飞行，得出 和核参数进行优化。该方法首先基于ReliefF的基 气味浓度最高的果蝇位置，以此递推最终找到食物。 因初选，剔除与分类无关的噪声和冗余基因，其次 果蝇优化算法是基于果蝇觅食的行为推演出来 进行基于蝙蝠算法的SVM参数优化。结果表明， 的全局寻优方法，是我国学者Pan Wenchaots在 该算法得到的最优参数对SVM的分类精度得到较 2012年提出的群智能优化算法。宁剑平81等提出 明显的提高，同时对SVM的学习和泛化能力也有 了一种递减步长果蝇优化算法，将该算法用于 所加强。 SVM回归模型的惩罚因子和核函数参数优化中，结 SVM的参数（例如核参数和惩罚参数）选取不 果表明该算法收敛速度快，全局搜索与局部寻优能 当会对预测模型的准确性有很大影响，针对此问题 力强。SiLi等s提出了一种改进的果蝇优化算法 A.Tharwat等提出了一种基于蝙蝠算法的SVM参 来优化最小二乘SVM参数，并且应用于振动信号 数优化方法，与粒子群算法和遗传算法进行比较， 的剪切切割模式识别当中。由于交通流预测的准确 实验结果表明，该模型能够找到SVM的最优参数 性在现代智能交通系统领域起着重要作用，并且果 组合，避免了局部最优问题。 蝇优化算法具有易于理解和快速收敛到全局最优解 还有一些学者用蝙蝠算法优化SVM参数，同 的优点，因此Cong等8”提出了一种基于最小二乘 时应用到一些领域来验证该算法的有效性，例如， SVM的交通流预测模型，并通过果蝇优化算法自适 E.Tuba等so提出了一种蝙蝠算法用来优化SVM参 应确定具有两个参数的最小二乘SVM模型。 数的方法。该方法应用于手写数字识别当中分类问 细菌觅食优化算法(bacteria foraging algorithm 题中，实验结果表明使用蝙蝠算法可以准确迅速找 BFA)的主要原理是：该算法是根据细菌菌落生长 到SVM参数的最优值，并且有效地减少分类误差 演化的基本规律提出一种新的优化方法。细菌觅食 率。Xing Bing等提出使用蝙蝠算法用于SVM参 算法的生物学基础是大肠杆菌在人类肠道中觅食过 数优化，同时应用在洪水月平均流预测方面，并且 程中的智能表现，通过趋化、繁殖、驱散这3个步骤 实验结果表明该模型具有更准确的预测率。 来迭代的更新细菌的所在位置，使细菌能够趋向营 综上所述，蝙蝠算法作为一种新颖的随机型搜 养丰富的地方。为正确选择应用于人脸识别的SVM 索算法，相对于其他的算法，显著提高了有效性和 相关参数，马家辰8]等提出了一种应用于表情识别 准确性，但是该算法是目前较新的算法，它的优化 的基于细菌觅食算法的SVM参数选择方法。实验 性能还需进一步改进完善。 结果表明，采用该方法能够使人脸表情识别分类结性，而且在网络舆情分析中还具有广泛的应用前景。 综上所述，萤火虫算法用于 SVM 参数优化方 法，存在很多的问题。经过不断地改进与研究，提 出了各种各样的改进萤火虫算法用于 SVM 参数优 化方面，使得 SVM 具有较高的分类性能，同时具备 比传统方法更好的优化性能。 3.7 蝙蝠算法 3.7.1 蝙蝠算法简介 2010 年 YANG Xinshe[72-74]提出了一种元启发 式优化算法，这种算法就是蝙蝠算法 (bat algorithm, BA)。蝙蝠算法的主要原理是，模仿自然界中的蝙 蝠利用声呐来避免障碍物探测猎物的群智能优化 算法。 蝙蝠算法是一种新型的智能算法，在有效性和 准确性方面有明显的提高，同时它具有模型简单、 搜索能力强、收敛速度快等特点，被广泛应用于灰 色图像边缘检测[75] 、电容车辆路由问题[76]以及电力 系统[77]当中。 3.7.2 蝙蝠算法优化支持向量机参数 2015 年，魏峻[78]提出了一种基于 ReliefF 和蝙 蝠算法的 SVM 参数优化方法，对 SVM 的惩罚参数 和核参数进行优化。该方法首先基于 ReliefF 的基 因初选，剔除与分类无关的噪声和冗余基因，其次 进行基于蝙蝠算法的 SVM 参数优化。结果表明， 该算法得到的最优参数对 SVM 的分类精度得到较 明显的提高，同时对 SVM 的学习和泛化能力也有 所加强。 SVM 的参数 (例如核参数和惩罚参数) 选取不 当会对预测模型的准确性有很大影响，针对此问题 A.Tharwat[79]等提出了一种基于蝙蝠算法的 SVM 参 数优化方法，与粒子群算法和遗传算法进行比较， 实验结果表明，该模型能够找到 SVM 的最优参数 组合，避免了局部最优问题。 还有一些学者用蝙蝠算法优化 SVM 参数，同 时应用到一些领域来验证该算法的有效性，例如， E.Tuba 等 [80]提出了一种蝙蝠算法用来优化 SVM 参 数的方法。该方法应用于手写数字识别当中分类问 题中，实验结果表明使用蝙蝠算法可以准确迅速找 到 SVM 参数的最优值，并且有效地减少分类误差 率。Xing Bing 等 [81]提出使用蝙蝠算法用于 SVM 参 数优化，同时应用在洪水月平均流预测方面，并且 实验结果表明该模型具有更准确的预测率。 综上所述，蝙蝠算法作为一种新颖的随机型搜 索算法，相对于其他的算法，显著提高了有效性和 准确性，但是该算法是目前较新的算法，它的优化 性能还需进一步改进完善。 3.8 其他群智能算法优化支持向量机参数 除了本文单独列举出的 7 种群智能算法以外， 还有很多群智能算法被提出并且应用于 SVM 参数 优化当中，如混合蛙跳算法、果蝇优化算法、细菌觅 食优化算法以及花授粉算法等。 混合蛙跳算法 (shuffled frog leaping algorithm, SFLA) 的主要原理是：在一片湿地中生活着一群青 蛙，湿地内分布着许多石头，青蛙个体之间通过文 化的交流实现信息的交换，青蛙通过寻找不同的石 头进行跳跃去找到食物较多的地方。 混合蛙跳算法是 2003 年 Muzaffar Eusuff 和 Kevin Lansey 提出的一种群智能优化算法，该算法 可以用于解决许多复杂的优化问题[82]。曾燕等[83] 人提出了一种基于改进的混合蛙跳算法优化最小二 乘 SVM 的蔬菜总黄酮软测量模型。实验结果表 明，该模型具有测量精度高，稳定性好的优点，有利 于蔬菜总黄酮化学物测量工程的实际应用。 果蝇优化算法 (fruit fly optimization algorithm, FOA) 的主要原理是：果蝇根据食物气味的浓度分 布判断飞行方向，如果其中一只果蝇的所处位置气 味浓度最高，那么种群中其余果蝇就会朝该方向移 动，然后再以该位置为初始位置继续随机飞行，得出 气味浓度最高的果蝇位置, 以此递推最终找到食物。 果蝇优化算法是基于果蝇觅食的行为推演出来 的全局寻优方法，是我国学者 Pan Wenchao[84]在 2012 年提出的群智能优化算法。宁剑平[85]等提出 了一种递减步长果蝇优化算法，将该算法用于 SVM 回归模型的惩罚因子和核函数参数优化中，结 果表明该算法收敛速度快，全局搜索与局部寻优能 力强。Si Lei等 [86]提出了一种改进的果蝇优化算法 来优化最小二乘 SVM 参数，并且应用于振动信号 的剪切切割模式识别当中。由于交通流预测的准确 性在现代智能交通系统领域起着重要作用, 并且果 蝇优化算法具有易于理解和快速收敛到全局最优解 的优点, 因此 Cong 等 [87]提出了一种基于最小二乘 SVM 的交通流预测模型，并通过果蝇优化算法自适 应确定具有两个参数的最小二乘 SVM 模型。 细菌觅食优化算法 (bacteria foraging algorithm, BFA) 的主要原理是：该算法是根据细菌菌落生长 演化的基本规律提出一种新的优化方法。细菌觅食 算法的生物学基础是大肠杆菌在人类肠道中觅食过 程中的智能表现，通过趋化、繁殖、驱散这 3 个步骤 来迭代的更新细菌的所在位置，使细菌能够趋向营 养丰富的地方。为正确选择应用于人脸识别的 SVM 相关参数，马家辰[88]等提出了一种应用于表情识别 的基于细菌觅食算法的 SVM 参数选择方法。实验 结果表明，采用该方法能够使人脸表情识别分类结 ·76· 智 能 系 统 学 报 第 13 卷