基于改進(jìn)型人工魚群算法的支持向量機(jī)參數(shù)優(yōu)化

馮曉琳，寧　芊，雷印杰，陳思羽

（四川大學(xué)電子信息學(xué)院，成都　610065）

基于改進(jìn)型人工魚群算法的支持向量機(jī)參數(shù)優(yōu)化

馮曉琳，寧芊，雷印杰，陳思羽

（四川大學(xué)電子信息學(xué)院，成都610065）

支持向量機(jī)在高維度、小樣本情況下具有獨(dú)特優(yōu)勢(shì)，但同時(shí)支持向量機(jī)的參數(shù)優(yōu)化極大制約了其分類效果，目前參數(shù)優(yōu)化缺乏系統(tǒng)的理論指導(dǎo)；針對(duì)傳統(tǒng)DAG-SVM訓(xùn)練分類器較多，訓(xùn)練耗時(shí)長(zhǎng)，分類效果受到結(jié)構(gòu)排序的影響，提出了一種基于“1 vs R”策略的改進(jìn)型算法；針對(duì)SVM傳統(tǒng)參數(shù)優(yōu)化方式耗時(shí)大，優(yōu)化精度不高，提出了改進(jìn)型人工魚群算法；最后結(jié)合1 vs R-DAG支持向量機(jī)算法與改進(jìn)型人工魚群算法，得到一種新的改進(jìn)型支持向量機(jī)算法；仿真對(duì)比實(shí)驗(yàn)證實(shí)，對(duì)支持向量機(jī)的參數(shù)優(yōu)化是有效可行的。

支持向量機(jī)；人工魚群算法；參數(shù)優(yōu)化；有向無環(huán)圖

支持向量機(jī)（support vector machine，SVM）［1］是基于統(tǒng)計(jì)學(xué)習(xí)理論（statistical learning theory，SLT）的一種機(jī)器學(xué)習(xí)方法，其在應(yīng)用于分類問題時(shí)，通過核函數(shù)將樣本從輸入空間映射到高維的特征空間，并在高維的特征空間中構(gòu)造問題的最優(yōu)分類超平面，實(shí)現(xiàn)了問題從低維空間向高維的推廣，同時(shí)也解決了維數(shù)災(zāi)難的問題。由于支持向量機(jī)有堅(jiān)實(shí)的理論基礎(chǔ)以及在小樣本分類，算法魯棒性等多方面的許多優(yōu)越性，因此吸引了國(guó)內(nèi)外許多科研人員的研究興趣，比較有影響與代表的研究有：粒度支持向量機(jī)（granular support vector machines，GSVM）［2］、模糊支持向量機(jī)（fuzzy support vector machines，F(xiàn)SVM）［35］、孿生支持向量機(jī)（twin support vector machines，TWSVMs）［69］、排序支持向量機(jī)（ranking support vector machines，RSVM）［1012］等。但是支持向量機(jī)的執(zhí)行效果很大程度上依賴于參數(shù)的設(shè)置，目前尚沒有統(tǒng)一有效的方法，常用的參數(shù)優(yōu)化方法主要有經(jīng)驗(yàn)選擇法、網(wǎng)格搜索法［1314］和群體智能優(yōu)化算法。

人工魚群算法（artificial fish swarm algorithm，AFSA）是我國(guó)學(xué)者李曉磊［15］提出的一種模擬魚類覓食活動(dòng)的群智能算法。AFSA模擬魚群覓食，據(jù)群，追尾，隨機(jī)游動(dòng)基本行為，采用自下而上的思路進(jìn)行尋優(yōu)，屬于基于行為的人工智能算法。目前，基于人工魚群算法的研究已經(jīng)滲透到多個(gè)應(yīng)用領(lǐng)域，并得到了很好的實(shí)際應(yīng)用，是群智能算法領(lǐng)域的研究熱點(diǎn)之一［16］。人工魚群算法具有收斂速度較快，魯棒性強(qiáng)，對(duì)初始參數(shù)依賴性小，能快速收索到可行解范圍的優(yōu)點(diǎn)，很適合求解精度要求不高的優(yōu)化問題［17］。但同時(shí)，人工魚群算法也存在后期收斂性慢，求解精度有限兩個(gè)主要問題。

本文主要對(duì)支持向量機(jī)與人工魚群算法進(jìn)行優(yōu)化與結(jié)合，研究了一種基于“一對(duì)多”分類策略的DAG-SVM算法，克服了傳統(tǒng)DAG-SVM算法模型訓(xùn)練耗時(shí)長(zhǎng)，結(jié)構(gòu)排序隨機(jī)的不足。同時(shí)研究?jī)?yōu)化了一種人工魚群算法，克服了傳統(tǒng)人工魚群算法后期收斂性慢，耗時(shí)長(zhǎng)的缺陷。最后，結(jié)合優(yōu)化的人工魚群算法對(duì)基于“一對(duì)多”的DAG-SVM算法進(jìn)行參數(shù)優(yōu)化，并用于實(shí)際的故障模式識(shí)別項(xiàng)目。實(shí)驗(yàn)證實(shí)，優(yōu)化后的算法在準(zhǔn)確性與時(shí)效性上有很大提高。

1　支持向量機(jī)

支持向量機(jī)算法（support vector machine，SVM）通過尋找使兩類樣本間隔最大的超平面［18］從而實(shí)現(xiàn)樣本分類問題（如圖1所示）。

0　引言

任意一個(gè)超平面可以表示為 （H為內(nèi)積空間）：

｛（w·x）+b=0|x∈H，b∈R｝（1）

圖1　線性可分示意圖

設(shè)｛x1，x2，x3，…，xl｝為樣本特征向量，｛y1，y2，y3，…，yl｝為對(duì)應(yīng)的分類標(biāo)簽.且xi∈Rn，y∈｛-1，1｝。在線性可分的情況下，其最優(yōu)分類超平面對(duì)應(yīng)的二次規(guī)劃問題為：

s.t.yi（（w·xi）+b）≥1，i=1，2，3…l（3）

在線性不可分的情況下，通過非線性映射將樣本集從低維空間映射到高維空間（ξi為非負(fù)松弛因子，C為懲戒參數(shù)），則問題轉(zhuǎn)化為：

通過Lagrange乘數(shù)法求解最終所得的決策函數(shù)（αi（i= 1，2，3…l）為L(zhǎng)agrange系數(shù)）：

由于核函數(shù)在支持向量機(jī)分類效果中有決定性的作用，因此在利用支持向量機(jī)解決分類判別時(shí)的首要任務(wù)是選擇適當(dāng)?shù)暮撕瘮?shù)。目前，常用的核函數(shù)有：線性核（公式（8）），多項(xiàng)式核（公式 （9）），徑向基核（公式（10））與Sigmoid核 （公式 （11））。目前，核函數(shù)的選擇沒有明確的指導(dǎo)原則，一般利用“試探法”確定。

公式（8）、（9）、（10）以及（11）中：參數(shù)a與b是常數(shù)項(xiàng)，tanh代表雙曲正切函數(shù)。

考慮到標(biāo)準(zhǔn)DAG-SVM需要的時(shí)間長(zhǎng)、分類器數(shù)目多、結(jié)果存在隨機(jī)性等不足，提出一種“1 vs R”DAG-SVM。圖2為其作拓?fù)浣Y(jié)構(gòu)。

2　基于改進(jìn)型人工魚群算法的SVM參數(shù)優(yōu)化

2.1人工魚群算法概述

人工魚群算法（artificial fish swarm algorithm，AFSA）通過自下而上的尋優(yōu)模式進(jìn)行尋優(yōu)，并通過種群間個(gè)體競(jìng)爭(zhēng)與協(xié)作來實(shí)現(xiàn)對(duì)問題最優(yōu)解的搜索。

圖2　“1 vs R”-DAG-SVM結(jié)構(gòu)

圖3　人工魚基本模型

在圖3中，一條人工魚的當(dāng)前位置記為X（X=（x1，x2， x3…xn）），它的視覺長(zhǎng)度為Visual，每次能行動(dòng)的最大距離為Step，Xi（i=1，2，3…）代表其它人工魚。人工魚在期視野范圍內(nèi)隨機(jī)收索，Vnext（Vnext=（xv1，xv2，xv3…xvn））表示某時(shí)刻人工魚視點(diǎn)的位置，如果Vnext的事物濃度（函數(shù)值）大于X位置的食物濃度，那么人工魚下一步就向Vnext的向量方向移動(dòng)，移動(dòng)后的位置記為Xnext。圖中，Vnext與Xnext的計(jì)算為公式（12）、（13）。其中，r是［-1，1］區(qū)間的隨機(jī)數(shù)。

人工魚群算法主要包括覓食，聚群，追尾與隨機(jī)4種行為。人工魚群算法參數(shù)包括：人工魚群的規(guī)模N、人工魚視野感知距離Visual、人工魚的步長(zhǎng)Step、擁擠度因子δ、試探次數(shù)try_number。人工魚群算法尋優(yōu)的流程圖如圖4所示。

2.2改進(jìn)型人工魚群算法介紹

針對(duì)標(biāo)準(zhǔn)的人工魚群算法研究后發(fā)現(xiàn)，算法中固定的參數(shù)會(huì)造成迭代后期過大的計(jì)算量，隨機(jī)行為的存在不利于計(jì)算后期全局最優(yōu)解的探索。改進(jìn)型人工魚群算法實(shí)行參數(shù)動(dòng)態(tài)化，引入?yún)?shù)動(dòng)態(tài)調(diào)節(jié)因子λ（0＜λ＜1），使Step、Visual參數(shù)能在迭代過程中動(dòng)態(tài)變化，并結(jié)合網(wǎng)格搜索。其流程如圖5所示。

3　改進(jìn)型人工魚群算法的實(shí)驗(yàn)對(duì)比

為探究改進(jìn)型人工魚群算法的有效性，本節(jié)進(jìn)行了兩組對(duì)比仿真實(shí)驗(yàn)。實(shí)驗(yàn)一主要對(duì)比了改進(jìn)型人工魚群算法與標(biāo)準(zhǔn)魚群算法在算法的優(yōu)化性能，時(shí)間性能，魯棒性能上的優(yōu)劣；實(shí)驗(yàn)二主要對(duì)比了網(wǎng)格法，交叉驗(yàn)證法，標(biāo)準(zhǔn)人工魚群算法與改進(jìn)型人工魚群算法對(duì)支持向量機(jī)參數(shù)尋優(yōu)的優(yōu)劣。

優(yōu)化性能指標(biāo)［19］主要反映算法結(jié)果的精確度，一般用“相對(duì)誤差Em（公式 （14）、（14））”或 “最優(yōu)值標(biāo)準(zhǔn)差Dm（公

圖4　人工魚群算法整體流程圖

圖5　改進(jìn)型人工魚群算法流程圖

式（15））”表示。

公式（14）、（15）與（16）中：C*表示問題的理論最優(yōu)解，理論最優(yōu)解未知或無法求出時(shí)可由已知最優(yōu)解代替。公式（14）定義的是離線相對(duì)誤差，Cb代表算法運(yùn)算后得到的實(shí)際最優(yōu)值；公式（15）定義的是在線相對(duì)誤差，主要衡量算法的動(dòng)態(tài)最佳優(yōu)化度，其中Cb（k）代表算法運(yùn)行第k代時(shí)的最佳優(yōu)化值。公式（16）中，Cb，i代表算法重復(fù)運(yùn)算第i次后得到的實(shí)際最優(yōu)值。Em，Em（k），Dm越小說明算法的優(yōu)化性能，即精確度越好。為降低隨機(jī)性對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生的偏差影響，本節(jié)對(duì)比實(shí)驗(yàn)采用最優(yōu)值標(biāo)準(zhǔn)差Dm作為評(píng)價(jià)算法精度的指標(biāo)，每組對(duì)比實(shí)驗(yàn)統(tǒng)一進(jìn)行5次測(cè)試，即公式（16）中n=5。

時(shí)間性能指標(biāo)［19］主要反映算法的運(yùn)算速度，即算法對(duì)問題解的搜索快慢程度。時(shí)間性能指標(biāo)可以直接使用算法求解運(yùn)行的平均耗時(shí)表示（公式（17）），也可以利用運(yùn)算迭代次數(shù)（公式（18））作為衡量依據(jù)。

公式（17）中，Ti代表算法第i次求解最優(yōu)值的耗時(shí)。公式（18）中，Ia代表算法多次運(yùn)行所得的滿足終止條件時(shí)的迭代步數(shù)平均值，Imax代表算法允許的最大迭代次數(shù)，To代表算法中一步迭代的平均耗時(shí)。Imax一定時(shí)，Es越小意味著算法收斂速度越快，即時(shí)效性越好。但是，在實(shí)際的算法迭代過程中，每一步的迭代耗時(shí)差異很大且精確統(tǒng)計(jì)也比較困難，因此使用公式（18）作為時(shí)間性能評(píng)價(jià)指標(biāo)可能出現(xiàn)很大偏差。考慮到公式（18）在定義上的缺陷與實(shí)際操作上引入的誤差干擾，本節(jié)對(duì)比實(shí)驗(yàn)采用算法求解運(yùn)行的平均耗時(shí)作為算法的時(shí)間性能指標(biāo)，其中每組對(duì)比實(shí)驗(yàn)統(tǒng)一進(jìn)行5次測(cè)試，即公式（16）中n=5。

魯棒性能指標(biāo)［19］主要反映算法的可靠性，一般用均方差（公式（19））表示。其中，Ci代表算法第i次運(yùn)行的值，ˉC表示算法n次運(yùn)行的評(píng)價(jià)值。Ef越小說明算法的魯棒性（或可靠性）越高。

在仿真對(duì)比實(shí)驗(yàn)一中主要對(duì)比了標(biāo)準(zhǔn)人工魚群算法與改進(jìn)型人工魚群算法之間的算法優(yōu)化性能，魯棒性能與時(shí)間性能。仿真實(shí)驗(yàn)選擇了十組有確定最大值的函數(shù)作為目標(biāo)函數(shù)，并使用數(shù)學(xué)手段求解了相應(yīng)的最大值最為評(píng)估參考（即表5中：理論最值）。為保證仿真對(duì)比實(shí)驗(yàn)的有效性，仿真對(duì)比實(shí)驗(yàn)一中的參數(shù)統(tǒng)一設(shè)置如表1。由于人工魚群算法中隨機(jī)行為的存在，為盡可能的減小其影響，每組仿真對(duì)比采用5次重復(fù)實(shí)驗(yàn)取平均值的方式進(jìn)行，最終結(jié)果記錄在表2中。

表1　仿真實(shí)驗(yàn)一參數(shù)設(shè)置表

從算法性能仿真對(duì)比實(shí)驗(yàn)結(jié)果（表2）中數(shù)據(jù)分析可知：由于改進(jìn)型人工魚群算法實(shí)行了參數(shù)動(dòng)態(tài)設(shè)置并加入了局部網(wǎng)格搜索，相對(duì)于標(biāo)準(zhǔn)人工魚群算法其優(yōu)化的結(jié)果更接近理論最值，優(yōu)化性能參數(shù)與魯棒性參數(shù)都更?。辉跁r(shí)間性能方面，由于改進(jìn)型人工魚群算法加入了“迭代自適應(yīng)機(jī)制”，其優(yōu)化耗時(shí)明顯小于標(biāo)準(zhǔn)算法，算法時(shí)效性得到很大提升。

表2　算法性能仿真對(duì)比實(shí)驗(yàn)表

為進(jìn)一步探究改進(jìn)型人工魚群算法在支持向量機(jī)參數(shù)優(yōu)化中的效果，進(jìn)行了支持向量機(jī)參數(shù)優(yōu)化對(duì)比仿真實(shí)驗(yàn)二。仿真實(shí)驗(yàn)二中對(duì)比了支持向量機(jī)參數(shù)優(yōu)化常見的網(wǎng)格法，五折交叉驗(yàn)證法，標(biāo)準(zhǔn)人工魚群優(yōu)化法以及本文研究的改進(jìn)型人工魚群優(yōu)化法。為保證實(shí)驗(yàn)對(duì)比的有效性，在對(duì)比仿真實(shí)驗(yàn)中SVM函數(shù)統(tǒng)一用Libsvm官網(wǎng)提供的libsvm-3.20程序包中提供的函數(shù)，核函數(shù)統(tǒng)一選擇為RBF，其它相應(yīng)的參數(shù)設(shè)置如表3所示。

表3　仿真實(shí)驗(yàn)二參數(shù)設(shè)置表

對(duì)比實(shí)驗(yàn)針對(duì)支持向量機(jī)的gamma，C參數(shù)進(jìn)行優(yōu)化：為保證優(yōu)化范圍的統(tǒng)一，網(wǎng)格法、五折交叉驗(yàn)證法、AFSA與IAFSA的優(yōu)化搜索范圍統(tǒng)一設(shè)置為gamma∈［0.01，10］，C∈［0.01，10］。對(duì)比實(shí)驗(yàn)一共設(shè)置了五組不同的數(shù)據(jù)，其數(shù)據(jù)詳細(xì)情況如表4所示。

在對(duì)比實(shí)驗(yàn)中，每組數(shù)據(jù)進(jìn)行五次重復(fù)實(shí)驗(yàn)。其中算法優(yōu)化時(shí)間（表5）中數(shù)據(jù)為五次實(shí)驗(yàn)的平均值，優(yōu)化值、判別正確率與評(píng)估正確率取五次實(shí)驗(yàn)中評(píng)估正確率最大的一組，實(shí)驗(yàn)結(jié)果記錄在表6、表7中。

表4　仿真實(shí)驗(yàn)二數(shù)據(jù)表

表5　仿真實(shí)驗(yàn)二優(yōu)化時(shí)間

表6　仿真實(shí)驗(yàn)二優(yōu)化值

表7　仿真實(shí)驗(yàn)二優(yōu)化對(duì)比

通過分析實(shí)驗(yàn)數(shù)據(jù)可知：網(wǎng)格法在小樣本數(shù)據(jù)的優(yōu)化方面耗時(shí)最短，但優(yōu)化產(chǎn)生的評(píng)估正確率和判別正確率間相差較大，優(yōu)化得到的參數(shù)的判別正確率較低，且在數(shù)據(jù)較大的情況下耗時(shí)大于改進(jìn)型人工魚群算法；五折交叉驗(yàn)證算法相對(duì)于網(wǎng)格法，其評(píng)估正確率更接近判別正確率，但算法的耗時(shí)相對(duì)網(wǎng)格法成倍增加，在四類方法中耗時(shí)較大，不適用于大數(shù)據(jù)情況，且最終的判別正確率普遍小于AFSA與IAFSA；AFSA相對(duì)于網(wǎng)格法與五折交叉驗(yàn)證算法得到的評(píng)估正確率與判別正確率普遍更高，即優(yōu)化精度更高，但AFSA耗時(shí)在4種方法中普遍最高，同樣不適用于大數(shù)據(jù)；IAFSA耗時(shí)接近網(wǎng)格法，且在大數(shù)據(jù)環(huán)境中耗時(shí)最低，是4種方法中適合大數(shù)據(jù)環(huán)境的一種。在優(yōu)化精度方面，IAFSA普遍的評(píng)估正確率和判別正確率高于其它3類。整體上來說，IAFSA是一種具備良好時(shí)效性能與優(yōu)化性能的算法，適合對(duì)支持向量機(jī)的參數(shù)優(yōu)化。

4　結(jié)論

本文主要對(duì)支持向量機(jī)算法以及人工魚群算法進(jìn)行了研究與改進(jìn)，提出了一種混合算法——I-DAG-SVM算法，并運(yùn)用仿真實(shí)驗(yàn)來驗(yàn)證算法優(yōu)化性能。本文取得的主要成果有：

1）針對(duì)標(biāo)準(zhǔn)DAG-SVM算法需要訓(xùn)練的分類器數(shù)量多，耗時(shí)長(zhǎng)，結(jié)構(gòu)排序隨機(jī)的不足，提出了 “1 vs R”DAG-SVM算法。

2）針對(duì)AFSA后期收斂速度慢，優(yōu)化精度不高的弊端，對(duì)標(biāo)準(zhǔn)算法進(jìn)行了優(yōu)化，通過引入?yún)?shù)自適應(yīng)，迭代自終止機(jī)制，有效提高了AFSA的收斂速度；加入局部遍歷算法，提高了AFSA的精度。

3）將1 vs R-DAG-SVM算法與IAFSA算法結(jié)合，提出IDAG-SVM算法，利用其優(yōu)化SVM參數(shù)對(duì)UCI官方網(wǎng)站的分類測(cè)試數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證實(shí)了算法在SVM參數(shù)優(yōu)化中的有效性和可行性。

［1］Vapnik V.The nature of statistical learning theory［M］.New York：Wiley，1998.

［2］Tang Yuchun，Jin Bo，Zhang Yanqing et al.Granular support vector machines for medical binary classification problems［A］.Proceedings of the IEEE CIBIB［C］.Piscataway，HJ：IEEE Computational Intelligence Society，2004：73-78.

［3］Lin C F，Wang S D.Fuzzy support vector machines［J］.IEEE Transactions on Neural Networks，2002，3（2）：464-471.

［4］張貴香，費(fèi)嵐，杜徐，等.基于類內(nèi)超平面的模糊支持向量機(jī)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，12（29）：3177-3178.

［5］李苗苗，向鳳紅，劉新旺.一種新穎隸屬度函數(shù)的模糊支持向量機(jī)［J］.計(jì)算機(jī)工程與科學(xué)，2009，31（9）：92-94.

［6］Jayadcva R，Khemchandani S C.Twin support vector machines for pattern classification［J］.IEEE Trans On Pattern Analysis and Machine Intelligence，2007，29（5）：905-910.

［7］Arun K M，Gopal M.Least squares twin support vector machines for pattern classification［J］.Expert Systems with Applications，2009，36：7535-7543.

［8］Zhang X S.Boosting twin support vector machine approach for MCs detection［A］.Proceedings of Asia Pacific Conference on Infor mation Processing［C］.Shenzhen：［s.n.］，2009，46：149-152.

［9］Peng X J.Aν-twin support vector machine（ν-TSVM）classifier and its geometric algorithms［J］.Information Sciences，2010，180（20）：3863-3875.

［10］Joachims T.Optimizing Search engines using click through data［A］.Proceedings of the eighth ACM SIGKDD International Conference on Knowledge Discovery And Data Mining［C］.New York，USA：ACM，2002，133-142.

［11］Cao Yunbo，Xu Jun，Liu Tieyan，et al.Adapting ranking SVM to document retrieval［A］.Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval［C］.New York，USA：ACM，2006，186 193.

［12］Nguyen T，Ngo A V，Nguyen H V，et al.Probabilistic ranking support vector machine［A］.Advances in Neural Networks-ISNN 2009.Berlin：Springer，2009［C］.345-353.

［13］郭超，宋衛(wèi)華，魏威.基于網(wǎng)格搜索支持向量機(jī)的采場(chǎng)頂板穩(wěn)定性預(yù)測(cè)［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2014，24（8）：31-36.

［14］李清毅，周吳，林阿平，等.基于網(wǎng)格搜索和支持向量機(jī)的灰熔點(diǎn)預(yù)測(cè) ［J］.浙江大學(xué)學(xué)報(bào)（工學(xué)版），201l，45（12）：2181-2187.

［15］李曉磊.一種新型的智能優(yōu)化方法——人工魚群算法［D］.杭州：浙江大學(xué)，2003.

［16］鄒康，劉婷，鮑韋韋，等.人工魚群算法研究綜述［J］.山西電子計(jì)術(shù)，2012，2（2）：1674-4578.

［17］陳廣洲，汪家權(quán)，李傳軍，等.一種改進(jìn)的人工魚群算法及其應(yīng)用 ［J］.系統(tǒng)工程，2009，27（12）：105-110.

［18］肖曉，張敏.支持向量機(jī)多分類問題研究［J］.淮海工學(xué)院學(xué)報(bào)（自然科學(xué)版），2014，23（3）：28-31.

［19］譚明交，張宏梅，呂艷秋.群體智能算法及其性能評(píng)價(jià)指標(biāo)研究［J］.計(jì)算機(jī)與數(shù)字工程，2008，8（36）：10-12.

Support Vector Machine Parameter Optimization Based on Improved Artificial Fish Swarm Algorithm

Feng Xiaolin，Ning Qian，Lei Yinjie，Chen Siyu
（College of Electronics And Information Engineering，Sichuan University，Chengdu610065，China）

Support vector machine（SVM）algorithm has much more advantages than other classify algorithm under high-dimensional，small sample and multi-class situation.But at the same time，the parameters optimization has been one of the main factors restricting SVM effect and there is no clear theory to guide it.For original DAG-SVM algorithm's long time cost and randomness，an improved algorithm has been proposed；For traditional SVM parameter optimization's large time consuming and unsatisfactory results，an improved artificial fish swarm algorithm has been proposed；Finally，an improved support vector machine algorithm combined 1vsR-DAG-SVM and IAFSA has been proposed.Simulation experiments confirm that the SVM parameter optimization proposed in this paper is feasible and effective.

support vector machine；artificial fish swarm algorithm；parameter optimization；directed acyclic graph

1671-4598（2016）05-0237-05

10.16526/j.cnki.11-4762/tp.2016.05.067

TP181

A

2015-11-24；

2016-01-04。

國(guó)家自然科學(xué)基金項(xiàng)目（61403265）。

馮曉琳（1990-），女，山西省呂梁市，碩士研究生，主要從事智能控制方向的研究。