宁剑平，王 冰，，李洪儒，许葆华

1)广州军区76127部队，湖南郴州424202;2)军械工程学院，石家庄050003

支持向量机 (support vector machine，SVM)［1-2］是一种基于统计学理论的机器学习算法，该算法利用VC维 (Vapnik-Chervonenkis dimension，VC维)理论和结构风险最小化原则，研究小样本下模型的泛化能力，具有理论完备性好、适应性强、全局优化及泛化性能好等优点.SVM的性能主要取决于核函数和参数的选取，如何根据实际问题选择合适的核函数和参数是关键.但该问题目前还缺乏理论指导［3］.当前常见的参数寻优方法包括梯度下降算法、遗传算法和粒子群优化算法［4］都存在缺陷.梯度下降法效率低，稳定性不高［5］;遗传算法收敛速度慢，容易陷入局部最优值［6］;粒子群优化算法较遗传算法收敛速度快也更易于实现，但容易陷入局部最优，局部搜索能力较差.

果蝇优化算法 (fruit fly optimization algorithm，FOA)是2011年潘文超提出的一种根据果蝇觅食行为推演出的寻求全局优化的群智能方法.该算法通过嗅觉搜索提高果蝇个体的多样性，增大果蝇个体的搜索空间，通过视觉搜索使果蝇个体快速收敛.该算法具有参数少、计算速度快、全局寻优能力强和易于实现等特点，现已在许多领域得到了有效的研究与应用［7-10］.

本研究针对果蝇优化算法中固定步长对于搜索效率敏感，且不易选取的问题，提出一种递减步长果蝇算法 (diminishing step fruit fly optimization algorithm，DS-FOA)，将固定步长改为依觅食进程递减.运用该算法优化SVM回归模型的惩罚因子c与核函数参数g，选取样本数据进行预测分析，并将该算法与FOA、粒子群……