基于改进遗传算法的支持向量机参数优化方法

doi:10.3969/j.issn.1006-2475.2015.03.007

计算机与现代化

基于改进遗传算法的支持向量机参数优化方法

1.重庆交通大学管理学院,重庆400074;2.重庆交通大学信息科学与工程学院,重庆400074

收稿日期:2014-11-07 出版日期:2015-03-23 发布日期:2015-03-26
作者简介:王琼瑶（1987-）,女,湖北黄冈人,重庆交通大学管理学院硕士研究生,研究方向：系统优化，决策与控制，数据挖掘; 何友全（1964-）,男,重庆人,重庆交通大学信息科学与工程学院教授,硕士生导师,博士,研究方向：信息处理，数据挖掘; 彭小玲（1989-）,女,江西抚州人,硕士研究生,研究方向：库存控制与优化，物流与供应链管理。
基金资助:
重庆市高等教育教学改革研究项目（0634167）

Parameters Optimization of Support Vector Machine Based on Improved Genetic Algorithm

1. School of Management, Chongqing Jiaotong University, Chongqing 400074, China;
2. School of Information Science and Engineering, Chongqing Jiaotong University, Chongqing 400074, China

Received:2014-11-07 Online:2015-03-23 Published:2015-03-26

摘要/Abstract

摘要： 针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况，提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合，利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集，并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。


关键词: 遗传算法, 支持向量机算法, 参数优化

Abstract: Over-study or under-study phenomenon sometimes happens, since nuclear parameters are chosen inappropriately in regression forecasting. The paper proposes a kind of support vector machine parameters optimization model based on improved genetic algorithm. By combining genetic algorithm with support vector machine algorithm, the model makes use of the principle of evolutionary of genetic algorithm to optimize penalty parameter, nuclear parameter and loss function at the same time, which are of great significance to support vector machine algorithm. Three sets of standard experiment data sets are selected as the test data set, and simulation test results are compared among the improved algorithm, genetic algorithm, particle swarm optimization algorithm and grid search algorithm. Experiment results show that the improved algorithm greatly improves the whole optimization ability of support vector machine algorithm.


Key words: genetic algorithm, support vector machine algorithm, parameters optimization

中图分类号:

TP301

王琼瑶1,何友全2,彭小玲1. 基于改进遗传算法的支持向量机参数优化方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.03.007.

WANG Qiong-yao1, HE You-quan2, PENG Xiao-ling1. Parameters Optimization of Support Vector Machine Based on Improved Genetic Algorithm[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.03.007.

参考文献

［1]Vapnik V N.The Nature of Statistical Learning Theory［M]. 2nd ed. Springer-Verlag, New York Inc., 2000.
［2]Burges C J C. A tutorial on support vector machines for pattern recognition［J]. Data Mining and Knowledge Discovery, 1999,2(2):121-167.
［3]Chen Peng-wei, Wang Jung-ying, Lee H M. Model selection of SVMs using GA approach［C]// Proceedings of the International Symposium Conference on Neural Networks, 2004. 2004,3:2035-2040.
［4]马元良,裴生雷. 基于改进遗传算法的SVM参数优化研究［J]. 计算机仿真, 2010,27(8):150-152,193.
［5]史月俊,周大为,王玉光. 基于一种改进粒子群算法的SVM参数选取［J]. 计算机应用, 2009,29(S2):176-178.
［6]王兴玲,李占斌. 基于网格搜索的支持向量机核函数参数的确定［J]. 中国海洋大学学报（自然科学版）, 2005,35(5):859-862.
［7]刘东平,单甘霖,张岐龙,等. 基于改进遗传算法的支持向量机参数优化［J]. 微计算机应用, 2010,31(5):11-15.
［8]朱宁,冯志刚,王祁. 基于小生境遗传算法的支持向量机分类器参数优化［J]. 南京理工大学学报（自然科学版）, 2009,33(1):16-20.
［9]Chapelle O, Vapnik V, Bousquet O, et al. Choosing multiple parameters for support vector machines［J]. Machine Learning, 2002,46(1-3):131-159.
［10]Vapnik V N. 统计学习理论的本质［M]. 张学工译. 北京:清华大学出版社, 2000.
［11]饶刚,刘琼荪,高君健. 基于灰色特征加权支持向量机的二维函数拟合［J]. 计算机工程与设计, 2012,33(10):3975-3978,3983.
［12]张永利. 基于支持向量机的信息融合技术研究及应用［D]. 西安:西安科技大学, 2008.
［13]李良敏,温广瑞,王生昌. 基于遗传算法的回归型支持向量机参数选择法［J]. 计算机工程与应用, 2008,44(7):23-26.
［14]王慧勤,雷刚. 基于LIBSVM的风速预测方法研究［J]. 科学技术与工程, 2011,11(22):5440-5443,5450.
［15]边霞,米良. 遗传算法理论及其应用研究进展［J]. 计算机应用研究, 2010,27(7):2425-2429.
［16]王佳. 混合核支持向量机参数优化及其应用研究［D]. 长沙:长沙理工大学, 2011.
［17]Kennedy J, Eberhart R C. Particle swarm optimization［C]// Proceedings of IEEE International Conference on Neural Networks, 1995. Washington, 1995:1942-1948.
［18]王健,张磊,陈国兴,等. 基于改进的网格搜索法的SVM参数优化［J]. 应用科技, 2012,39(3):28-31.

[1]	林启钊, 彭志平, 郭棉, 崔得龙. 基于双向多步预测的炉管温度场重构方法[J]. 计算机与现代化, 2024, 0(01): 53-58.
[2]	刘显茁, 邓韦斯, 谢恩彦. 考虑分布式发电并网的配电网自适应保护系统[J]. 计算机与现代化, 2023, 0(09): 120-126.
[3]	张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.
[4]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[5]	王扬, 陈梅, 李晖. FOCoR:一种基于特征选择优化的课程推荐技术[J]. 计算机与现代化, 2022, 0(10): 1-7.
[6]	冉昊杰, 王宏智. 基于改进模拟退火算法的生鲜农产品配送中心选址[J]. 计算机与现代化, 2022, 0(10): 36-40.
[7]	战俊伟, 庄毅. 基于能耗与延迟优化的移动边缘计算任务卸载模型及算法[J]. 计算机与现代化, 2022, 0(08): 86-93.
[8]	吴代漾, 赵洁, 梁家铭, 董振宁, 梁周扬. C2C在线短租跨平台房东匹配算法[J]. 计算机与现代化, 2022, 0(06): 43-48.
[9]	王磊, 宋波. 基于ADE-Stacking的心力衰竭非计划性再入院风险预测模型[J]. 计算机与现代化, 2022, 0(01): 23-27.
[10]	徐胜超, 熊茂华. 基于遗传算法的容器云资源配置优化[J]. 计算机与现代化, 2022, 0(01): 108-112.
[11]	徐明, 张剑铭, 陈松航, 陈豪. 柔性作业车间调度问题的多目标优化算法[J]. 计算机与现代化, 2021, 0(12): 1-6.
[12]	张林鹏, 汪西原, 李强. 基于双池化特征加权结构CNN的图像分类[J]. 计算机与现代化, 2021, 0(11): 67-71.
[13]	陈春燕, 刘梦赤. 基于粒子群遗传算法的智能组卷策略[J]. 计算机与现代化, 2021, 0(08): 16-23.
[14]	杨晓东. 基于遗传算法的会计资源共享管理风险评估模型[J]. 计算机与现代化, 2021, 0(06): 24-28.
[15]	刘军, 彭慧娴, 黄斌, 托尼·谢伊. 基于BP-GamysBoost的乳腺癌诊断模型[J]. 计算机与现代化, 2021, 0(04): 8-14.

基于改进遗传算法的支持向量机参数优化方法

Parameters Optimization of Support Vector Machine Based on Improved Genetic Algorithm

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价