王秋平 赵木来

(东北电力大学自动化工程学院，吉林 吉林 132012)

1995年，俄罗斯统计学家Vapnik提出了支持向量机(Support Vector Machine，SVM)理论。该理论建立在统计机器学习中VC维理论和结构风险最小化原理的基础上，解决小样本、非线性和高维度问题有独特的优势[1，2]。支持向量机已在文字识别[3]、语音识别[4]及生物特征识别[5]等多个工程领域取得了成功应用。

众所周知，在给定样本情况下，支持向量分类机的性能主要取决于惩罚参数C和核函数的选取。目前支持向量机参数优化的方法主要有网格搜索法、遗传算法及粒子群优化算法等。网格搜索法是运用数学手段对参数允许的取值范围分段后进行遍历搜索[6]，该方法在理论上可以找到最优参数对，但现实运行较为费时；遗传算法通过模仿自然界选择与遗传的机理完成进化，寻找问题的最优解，具有很强的收敛性和鲁棒性[7]，但其局部搜索能力差，容易出现早熟现象，算法本身参数较多，同时遗传算法的全局并行性欠佳，基因的继承性决定了算法每一次迭代不能进行整体的更新；粒子群算法也是进化算法的一种，从随机解出发，通过迭代找到最优解[8]，其缺点是易陷入局部极值，且进化到后期的精度较差。

与上述参数优化算法对比，和声搜索算法具有以下优点：算法迭代过程采用十进制编码，无需转换操作；新和声的产生需考虑借鉴记忆库中现存所有和声，因此具备更好的全局搜索能力；每次迭代对解向量中所有变量进行操作，多点并行，极大地增加了求解速度。……