改进的混沌粒子群算法对WLS-SVM性能参数的优化 (2014年)

加权最小二乘支持向量机（WLS-SVM）的学习性能和泛化能力取决于其正则化因子C和核函数参数σ的取值。对此，针对WLS-SVM建立C和σ的组合优化目标函数，采用基于Lozi映射的粒子群（PSO）算法来搜索最优目标函数值。迭代过程中，通过分别映射PSO个体最优位置，把产生的混沌序列中的最优解分别逆运算取代当前个体最优位置，引入混沌机制，以混沌变量的遍历性改进粒子群算法，提高全局搜索能力，避免过早陷入局部最优。将其应用于某玩具企业原料月消耗量预测，结果表明了文中所提方法的有效性。