支持向量机(support vector machine，SVM)的学习性能和泛化能力在很大程度上取决于参数的合理设置.将支持向量机的参数选择问题转化为优化问题，以模型预测均方根误差为评价函数，提出一种引入混沌变异操作的改进分布估计算法(estimation of distribution algorithm，EDA)，并将其用于优化求解ε-支持向量机的参数：惩罚因子、不敏感损失系数以及高斯径向基核函数的宽度.由于改进EDA利用混沌运动的随机性和遍历性等特点在解空间内进行优化搜索，能够较好解决传统EDA易
