基于改进狮群算法的支持向量机参数优化方法

针对传统支持向量机在参数选择中存在的问题,文中提出一种利用改进的狮群算法优化支持向量机参数的方法。为了提高狮群算法(LSO)的寻优能力,在原始狮群算法的搜索公式中引入差分变异机制以及参数自适应调整策略,该方式可在保证算法前期全局搜索能力和后期局部寻优能力的同时更易于跳出局部极值。引入人工鱼群算法中的觅食行为机制提高局部寻优能力,最终建立一种改进狮群算法(DALSO)。通过DALSO算法对支持向量机参数进行综合寻优以求取最优参数组合,从而提高支持向量机的求解精度。最后,利用测试函数和UCI数据集对DALSO优化SVM模型进行仿真测试与分类。实验结果表明:相比于多种对比算法,DALSO算法具有较强的寻优能力;与遗传算法、粒子群算法相比,DALSO优化SVM模型分类精度可提升6%~11%。