刘 路，王太勇

(1. 天津大学精密仪器与光电子工程学院，天津 300072；2. 天津大学机械工程学院，天津 300072)

支持向量机(support vector machine，SVM)是一种建立在统计学习理论的基础上，适用于有限样本情况的模式分类方法．它在很大程度上解决了模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等传统分类器难以克服的难题，因而在故障诊断、图像处理、安全检测等领域得到了越来越广泛的应用[1-4]．

在利用支持向量机进行分类的过程中，模型参数(惩罚因子 C、核函数类型、核函数参数)的选择对分类的最终结果具有至关重要的影响．如何通过选择模型参数以获取最优分类结果，是目前支持向量机研究领域的热点问题．目前常用的模型参数优化方法包括梯度下降法[5]、模拟退火算法[6-7]、遗传算法[8-9]、蚁群优化算法[10-11]和粒子群优化算法[12-13]等．实践证明，支持向量机的分类正确率与惩罚因子以及核函数参数之间存在多峰值函数关系[14]，而上述优化算法在寻优过程中会不同程度地陷入局部最优解，无法达到最优分类效果．人工蜂群(artificial bee colony，ABC)算法是 Karaboga[15]于 2005 年提出的一种新的群集智能优化算法．该算法模拟蜂群采蜜过程，蜜蜂根据分工不同完成采蜜过程的各阶段任务，通过食物源信息的收集与共享，寻找问题的最优解．Karaboga等[16-17]通过大量 Benchmark函数测试实验证明，该算法通过不同工种蜜蜂之间的合作，解决了扩展新解域与在已知解域进行精细搜索之间的矛盾，在很大程度上避免了陷……