基于人工蜂群的支持向量机分类算法及其优化研究

发布时间：2023-11-27 19:25

　　支持向量机在小样本数据分类中具有独特的优势,参数的选择对支持向量机的分类精度和泛化能力有着重要的影响,针对当前支持向量机参数优化方法的不足,本文提出了基于改进人工蜂群算法的支持向量机优化模型。人工蜂群算法是Karaboga由蜜蜂采蜜行为得到启发而提出的一种优化算法。作为一种群智能算法,人工蜂群算法通过不同类型蜜蜂之间,的协作,蜜源信息的收集和共享来寻找优化问题的最优解。由于人工蜂群算法的解搜索方程局部搜索能力较弱,算法收敛速度较慢,易陷入局部最优,本文受反向学习思想的启发,提出了一种基于反向学习的人工蜂群算法。该算法首先利用反向学习对种群进行初始化,从而提高初始解的质量,其次为保证算法迭代过程中种群的多样性,将反向学习的思想应用到雇佣蜂阶段,当新产生的解的质量低于当前解的质量时,产生其反向解,并应用贪婪选择策略进行更新,进一步提高算法的全局搜索能力。同时针对人工蜂群算法前期勘探和后期开采能力不平衡的问题,采用自适应权重策略动态调整权重,平衡算法的全局和局部搜索能力。在基准测试函数上验证所提出算法的性能,实验结果表明相比于传统的人工蜂群算法和其他经典的改进算法,基于反向学习的人工蜂群算法...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 人工蜂群算法研究现状
        1.2.2 支持向量机研究现状
    1.3 主要研究内容
    1.4 论文结构安排
第二章 相关理论概述
    2.1 人工蜂群算法
        2.1.1 蜜蜂采蜜原理
        2.1.2 人工蜂群算法的基本思想
        2.1.3 人工蜂群算法的流程
    2.2 支持向量机
        2.2.1 支持向量机基本原理
        2.2.2 核函数
        2.2.3 支持向量机分类
    2.3 本章小结
第三章 基于反向学习的人工蜂群算法
    3.1 反向学习策略
    3.2 基于反向学习的人工蜂群算法
        3.2.1 种群初始化
        3.2.2 改进的搜索策略
        3.2.3 自适应权重策略
    3.3 算法流程设计
    3.4 本章小结
第四章 基于改进人工蜂群算法的支持向量机模型
    4.1 支持向量机参数选择方法
        4.1.1 交叉验证法
        4.1.2 网格搜索法
        4.1.3 遗传算法
    4.2 基于人工蜂群算法的支持向量机优化模型
        4.2.1 待优化参数分析
        4.2.2 适应度函数的设计
    4.3 算法流程设计
    4.4 本章小结
第五章 数值仿真实验
    5.1 基于反向学习的人工蜂群算法实验
        5.1.1 测试函数
        5.1.2 实验参数设置
        5.1.3 改进策略的有效性验证
        5.1.4 与其他改进算法的比较
    5.2 基于改进人工蜂群算法的支持向量机分类实验
        5.2.1 实验数据集
        5.2.2 实验参数设置
        5.2.3 实验结果与分析
    5.3 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3868424