张天亮，田雨波，陈学志，高 婧

(江苏科技大学 电子信息学院，镇江212100)

近年来，大数据的进步所带来的问题越来越难以解决，如果仅依靠单一的机器学习模型，已经很难达到很多复杂问题的要求.此时集成概念被创造性的提了出来，并吸引了很多的学者对其进行钻研.1990 年，文献[1]采用构造性方法实现了集成多个弱学习器可以得到更强的学习器的理论，证明了集成学习的优异性.1996年，文献[2]提出了Adaboost算法，实现了集成学习从理论到实际应用的跨越.同年，Bagging算法问世[3]，该算法通过自主采样法处理训练样本，得到若干数目相同但有一定相似度的训练子集，然后采用子集训练若干弱模型，最后将若干弱模型进行集成.2002年，文献[4]提出了“选择性集成”的概念，主要是对模型进行筛选，表现优异的模型则参与集成，从理论与实际方面均证明了该方法的有效性.2016年，文献[5]提出了一种基于Boosting的XGBoost方法，在某些方面其学习性能可以与深度学习比肩.

粒子群算法(particle swarm optimization，PSO)作为一种被广泛使用的算法，具有易实现、计算量小、参数少优点[6].高斯过程(Gaussian progress，GP)作为一种机器学习方法，这些年发展迅速[7]，相比于神经网络[8]、支持向量机回归[9]、径向基函数网络[10]等，具备如下两大特点：高斯过程在学习过程中参数不多，易实现；对解决一些样本数量小，维数比较低，非线性等复杂问题取得很好的效果[11].文中提出一种基于PSO的高斯过程集成方法，通过一组样本建立若干具有不同核函数的高斯过程模……