基于鸽群算法的支持向量机参数优化研究.pdf

摘 要 pigeon-inspired optimization PIO 鸽群优化 （ ， ）算法是一种新颖的群智能算法，由 段海滨于2014 年提出。该算法通过对鸽群协作归巢的行为进行模拟，实现对最优化 问题的求解。在该算法中具有两个独立的算子，地图、指南针算子主要实现鸽群的全 局优化，地标算子用于实现鸽群的快速收敛。且该算法原理比较简单，所需要的参数 较少，容易实现，在提出之后受到了较多研究者的关注，目前该算法已经应用于诸如 调度、图像分割、路径规划等问题。 虽然鸽群优化算法具有较好的性能，但是在求解较高维度的优化问题时，往往也 存在算法收敛精度低，难以逃脱局部最优解的约束等。为了解决鸽群优化算法的这些 问题，本文在研究鸽群优化算法原理的基础上，提出了改进的鸽群优化算法，并将改 进的鸽群优化算法用于支持向量机 （Support Vector Machine，SVM ）参数优化中，并 用于实现图像分类研究。主要的工作如下： 首先，鸽群优化算法在进行个体状态更新过程中，采用了贪婪更新策略。在算法 的后期容易使鸽群的多样性降低较快。为了提高鸽群优化算法跳出局部极值约束的能 力，提出了模拟退火的状态更新规则，赋予较差状态被接受的机会。同时在地图和指 南针算子中，加入线性递减的惯性权重，使前期在较大范围搜索，能够防止局部最优 情况的出现，后期局部搜索可以使算法快速收敛。并且在算法后期增加了种群交流行 为，以提高算法的扩散性。 其次，支持向量机可以很好的解决分类问题。但是，支持向量机中核参数的选取 决定着支持向量机的性能，且该参数的设置没有规律可循。本文研究了应用鸽群优化 算法实现支持向量机参数优化的机制，实验表明鸽群优化算法对支持向量机参数优化 具有较好的效果。 最后，研究了改进的支持向量机实现图像分类。在该过程中，首先提取图像的 SIFT 特征，并基于词袋模型和直方图对SIFT 特征进行组织，然后将组织后的SIFT 特征与支持向量机的核函数相结合，构建不同的图像分类系统。通过实验表明，本文 提出的方法对于图像分类有较好的效果。 PIO 关键字： 算法 模拟退火 支持向量机 参数优化 图像分类 I ABSTRACT Pigeon -inspired optimization (PIO) is a novel group intelligence algorithm proposed by duanhaibin in 2014.The algorithm simulates the behavior of the pigeons' cooperative homing to solve the optimization problem.There are two independent operators in this algorithm, the map and compass operators mainly realize the global optimization of the flock of pigeons, and the landmark operator is used to realize the rapid convergence of the flock of pigeons.In addition, the principle of this algorithm is relatively simple, requires fewer parameters, and is easy to implement. After being proposed, this algorithm has attracted more researchers' attention. At present, this algorithm has been applied to such problems