本算法属于数据挖掘领域,涉及到SVM分类器和参数寻优,特别涉及到其变异操作,使得能够最大限度的搜索到全局最优解。
背景技术:
网格划分法是SVM分类器中常用的一种参数寻优方法,原因如下:一是网格划分法是全局搜索,我们能得到全局最优解,从心理上我们会感到更安全相比于使用避免穷举参数搜索的启发式方法;第二是通过网格划分法找到最优参数值所花费的时间并不比那些先进的算法多,由于只有两个参数。此外,网格划分容易并行处理因为每对(C,g)是相互独立的。但是有时在实际应用问题中,我们要在广度十分庞大的区间上搜寻最佳参数C和g,这时再利用网格划分法会很浪费时间,因此采用粒子群算法可以避免遍历所有的样本点,也有可能找到全局最优解,并且节省了时间。
但是基本的粒子群优化算法(PSO)与其他进化计算算法类似,它也是基于种群迭代的算法。因此,该算法将低效率地计算并通过所需的评估函数的数量来衡量。此外,虽然粒子群优化算法最主要的优势之一就是其快速的收敛性,但是这也可能是个问题,因为如果一个早熟的解是局部最优解,这个种群在没有任何外在的压力下将很容易陷入搜索停滞(即停止继续搜索),我们也称之为早熟收敛。特别当解决复杂的多峰问题时,基本的PSO算法很容易陷入局部最优。这些缺点限制了PSO更广泛的应用。
技术实现要素:
为了避免网格划分进行全局搜索耗时、基本粒子群算法容易陷入