svm常用的核函数 svm核函数区别

2022年5月1日发

(作者：新版鹿鼎记演员表)

ＣＮ４３—１２５８／ＴＰ　

ＩＳＳＮ　１ＯＯ７—１３ＯＸ　

计算机工程与科学　

ＣＯＭＰＵＴＥＲ　ＥＮＧＩＮＥＥＲＩＮＧ＆ＳＣＩＥＮＣＥ　

２０１１年第３３卷第ｌＯ期　

Ｖ０１．３３随州网络公司。Ｎｏ．１０．２０１１　

文章编号：１００７　１３０Ｘ（２０１１）１０－０１２６－０５　

基于ＡＣＯ算法的ＳＶＭ核函数的参数优化　

Ｐａｒａｍｅｔｅｒ　Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｔｈｅ　ＳＶＭ　

Ｋｅｒｎｅｌ　Ｆｕｎｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ＡＣＯ　Ａｌｇｏｒｉｔｈｍ　

赵新建，沈友文，徐俊　

ＺＨＡＯ　Ｘｉｎ－ｊｉａｎ网站套餐，ＳＨＥＮ　Ｙｏｕ—ｗｅｎ泉州网站设计，ＸＵ　Ｊｕｎ　

（浙江工业大学计算机学院，浙江杭州３１００２３）　

（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ湖南seo优化，Ｚｈｅｊｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙfroogle，Ｈａｎｇｚｈｏｕ　３１００２３，Ｃｈｉｎａ）　

摘　要：本文针对核函数参数选择的随意性影响支持向量机分类性能的问题，提出了一种基于离散编　

码的蚁算法（Ｃ—ＣＡＣＯ—ＤＥ）的ＳＶＭ核函数优化模型。ｃ—ｃＡｃＯ—ＤＥ解决了连续函数优化的蚁算法　

（Ｃ—ＡＣＯ）求解之前必须进行预处理的问题负面删除，解决了基于网格划分策略的连续域蚁算法（ＣＡＣＯ—ＧＴ）在　

求解精度的缺点、更优解必在定义域内的等分割点问题。仿真结果验证了该方法的有效性，Ｆ１值达到了　

９０　以上网络策划方案。　

Ａｂｓｔｒａｃｔ：ＡＳ　ｔｏ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅ　ａｒｂｉｔｒａｒｉｎｅｓｓ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｋｅｒｎｅｌ　ｐａｒａｍｅｔｅｒｓ　ａｆｆｅｃｔｓ　ｔｈｅ　ｐｅｒ—　

ｆｏｒｍａｎｃｅ　ｏｆ　ＳＶＭ免费seo网站诊断，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ｔｈｅ　ＳＶＭ　ｋｅｒｎｅｌ　ｆｕｎｃｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｄｉｓｃｒｅｔｅ　

ＡＣＯ　ａｌｇｏｒｉｔｈｍ（Ｃ—ＣＡＣＯ—ＤＥ）．Ｃ—ＣＡＣＯ—ＤＥ　ｓｏｌｖｅｓ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅ　ｃｏｎｔｉｎｕｏｕｓ　ＡＣＯ　ａｌｇｏｒｉｔｈｍ（Ｃ—　

ＡＣＯ）ｍｕｓｔ　ｂｅ　ｐｒｅｔｒｅａｔｅｄ：ｓｏｌｖｅｓ　ｔｈｅ　ｐｒｅｃｉｓｉｏｎ　ｓｈｏｒｔｃｏｍｉｎｇｓ　ｏｆ　ｔｈｅ　Ｃ—ＡＣＯ　ｂａｓｅｄ　ｏｎ　ａ　ｇｒｉｄ　ｓｅａｒｃｈ　ｓｔｒａｔｅ—　

ｇｙ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｉｓ　ｅｆｆｅｃｔｉｖｅbaidu coom，ａｎｄ　ｔｈｅ　Ｆ１　ｖａｌｕｅ　ｒｅａｃｈｅｓ　ｍｏｒｅ　ｔｈａｎ　９２％．　

关键词：蚁算法；核函数；支持向量机；参数优化　

Ｋｅｙ　ｗｏｒｄｓ：ＡＣ（）；ｋｅｒｎｅｌ　ｆｕｎｃｔｉｏｎ；ｓｖｍ；ｐａｒａｍｅｒｔｅｒ　ｏｐｔｉｍｉｚａｔｉｏｎ　

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７—１３０Ｘ．２０１１．１０．０２２　

中图分类号：ＴＰ１８　文献标识码：Ａ　

ｌ　引言　

ＳＶＭ是２０世纪９０年代中期由Ｖａｐｎｉｋ和　

时，怎么选取核函数参数，如非齐次多项式中的参　

数ｄ和　径向基核函数中的参数ｄ等乌鲁木齐网站设计。针对这一　

问题，至今尚无统一的参数选取标准和理论互联网效果营销。目前　

对ＳＶＭ模型选择的方法有以下几种：反复试验法　

（Ｔｒｉａｌ　ａｎｄ　Ｅｒｒｏｒ　Ｐｒｏｃｅｄｕｒｅｓ）＿３］、格点搜索法（Ｇｒｉｄ　

Ａｔ＆Ｔ　Ｂｅｌｌ实验小组提出的一种新技术，目的在于　

克服传统机器学习方法中存在的推广能力不强的　

缺点江门网络营销。ＳＶＭ自提出以来，已经被运用到许多模式　

识别相关的领域，如经济预测口一、蛋白质结构　等竞价单页。　

然而，基于支持向量机模型的拟合精度和泛化能力　

Ｓｅａｒｃｈ　Ａｌｇｏｒｉｔｈｍ）［　、牛顿法、梯度下降法、　

ＨＧＡＳＶＭ＿５］

、ＣＭＡ—ＥＳ　］。针对以上算法百度地图排名，文献　

［７２中分析了它们各自的缺点泰安网站优化。　

最近几年，许多相关研究结合蚁优化算法　

（ＡＣＯ）解决ＳＶＭ优化问题上海外贸网站建设。ＡＣＯ最初以求解离　

取决于其相关参数的选取，尤其是针对非线性问题　

收稿日期：２０１０　０９　０９；修订日期：２Ｏ１０　１　２　２０　

基金项目：浙江省自然科学基金资助项目（Ｘ１０５７３９）　

通讯地址：３１００２３浙江省杭州市西湖区留下镇留和路２８８号浙江工业大学家和西苑１】＃５１８　

Ａｄｄｒｅｓｓ：Ｒｏｏｍ　５１８，１１ｔｈ　Ｂｕｉｌｄｉｎｇ・Ｊｉａｈｅ　Ｗｅｓｔ　Ｇａｒｄｅｎ，Ｚｈｅｊｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙgooglepr，２８８　Ｉ．ｉｕｈｅ　Ｒｄ，Ｌｉｕｘｉａ　Ｔｏｗｎ．Ｘｉｈｕ　Ｄｉｓｔｒｉｃｔ　

Ｈａｎｇｚｈｏｕ，Ｚｈｅ　ｉａｎｇ　３１ＯＯ２３，Ｐ．Ｒ．Ｃｈｉｎａ　

ｌ２６　

散问题优化为主汽车网络营销，如ＴＳＰ、工作调度问题ｌ＿８　等快速排名软件，较　

少涉及连续优化问题。常见的求解连续函数优化　

问题的蚁算法为ＣＡＣ０（Ｃｏｎｔｉｎｕｏｕｓ　ＡＣＯ404页面，简称　

ＣＡＣＯ）百度指数代刷李守洪价格低，其主要是将连续区间分段，离散后的区间　

段被视为ＴＳＰ问题中的城市玉林网。在ＣＡＣＯ基础上　

中提出了基于网格划分策略的连续域蚁算法　

（ＣＡＣＯ—ＧＴ）［　、基于正态分布的ＡＣＯ算法［　］等咸阳网站建设。　

基于ＣＡＣＯ算法存在两个最主要的问题是求解精　

度有限、更优解必在定义域内等分区域的某处的问　

题又名大冶站长网。文献［７，１１］都利用了文献［９］中的网格划分策　

略提出基于蚁算法的ＳＶＭ参数优化网站死链检测，因此在文　

献［７域名历史，１１］同样会遇到相同的问题。为了解决文献　

［７英文网站推广，１１］算法在求解精度有限和更优解必在定义域　

内等分区域的某处的问题，本文提出一种基于离散　

编码的蚁算法（Ｃ—ＣＡＣＯ—ＤＥ）的ＳＶＭ核函数优　

化模型。　

２　ＳＶＭ　

ＳＶＭ的基本思想是通过一个非线性映射　，　

将样本映射到高维的特征空间国外网站空间。假设训练集合Ｔ　

一｛（　白帽技术，Ｙ　）Ｉ　Ｅ　Ｒ”，　Ｅ｛±１｝郑州百度优化，ｉ一１百度天津公司，２，…杭州百度推广，ｚ）排名网，　

目标函数为：　

一　ｍｉｎ　１＜训・叫＞＋ｃ∑￡　

ｉ一１　

ｓ．ｔ．　（＜ｗ・　（ｚ　）＞ｑ－６）≥１一ｅ　，　

ｓ　≥０seo兼职，ｉ＝１晋江网站建设，２域名历史，…，Ｚ　（１）　

其中，Ｃ是惩罚系数什么叫营销，ｓ　是松驰变量。　

根据更优化理论，可以将式（１）转化为二次规　

划问题：　

，　ｎｌａｘ　Ｌ（ｎ）一∑＆　一—　∑ｎ　ｎ　Ｋ（ｘ　百度负面新闻，ｘ　）　

ｉ一１　ｉ网页打开速度很慢，Ｊ　

ｆ　ｓ．ｔ．∑口　ｙ　一ｏ庆阳网站设计，０≤口　≤ｃ广告费一般多少钱，ｉ一１，２google账户，…新浪博客排名，ｚ　

ｉ＝ｌ　

（２）　

最终的差别函数为：　

，　ｆＣｒ）一ｓｇｎ（∑．ｙ　ｎ　Ｋ（ｘ　视频外链网站，ｘ）＋６）　

ｆ＝１　

ＳＶＭ中常用的非线性核函数如下：　

（１）多项式核函数：Ｋ（Ｘ，　）一（（Ｘ・Ｘ　）＋　

ｃ）　软文外链代发。　

（２）ＲＢＦ核函数：Ｋ（Ｘ，Ｘ　）一ｅｘｐ（一　ｌ　ｌｘ—　

Ｘ　Ｊ　ｊ）站长工具seo808。　

（３）　ｓｉｇｍｏｉｄ核函数：　Ｋ（Ｘ，Ｘ　）　一　

ｔａｎｈ（　＊（Ｘ・Ｘ网络推广服务，）＋ｃ　）。　

３　Ｃ—ＣＡＣ０－ＤＥ　

蚁算法的提出起源于蚂蚁“寻食物”的　

体行为学seo网站优化，用于解决离散型的路径问题，因而在求解　

连续域问题上要进行改进海口网站建设。目前在连续域空问上　

如何运用蚁算法日益受到重视，许多相关研究提　

出或改进了用于求鳃连续域上的蚁算法［９　关键词排名优化。　

其中文献Ｅ１３－１提出了一种连续函数优化的蚁算　

法（ｃ—ＡＣＯ），文献［１２］提出了一种ＣＡＣＯ—ＤＥ算　

法营销软文。Ｃ—ＡＣＯ算法的缺点是必须将原连续函数变换　

到解在［０，１］上的连续函数长沙网络营销外包。本文在ｃ—ＡＣｏ基础　

上结合ＣＡＣＯ—ＤＥ算法中的解码思想百度推广技巧，提出一种　

Ｃ—ＡＣｏ—ＤＥ算法google搜索解析。　

３．１离散数字解码表示　

在提出Ｃ—ＡＣＯ—ＤＥ算法之前，需要给出用离　

散数字编码表示实数的方法，在文献Ｅ１２］中提供了　

所有有理数的解码方法温州做网站，由于本文所处理的优化问　

题是在正数范围内的优化问题微博广告，本文简化文献［１２］　

中的解码方法，给出如下定义：　

定义１定义ｆ　一Ｄ—Ｒ　将离散编码转化　

为有限长度迈步者seo，其中Ｄ一｛ｄ　Ｉ　ｄ　长沙做网站公司，ｄ梁海杰。，…，ｄ　）广安seo，ｄ　＝　

｛０，１，…，９）百度网站，ｉ一｛１百度用户登录，…医院营销策划方案，Ｌ）），Ｖｚ　Ｅ　Ｒ　是一个精　

上　

度为１０一的实数百度收录，ｚ一＞：ｄ　＊１０　Ｈ　。　

ｉ＝１　

３．２生成解的选择机制　

ＡＣ０算法的核心部分是基于信息素的选择机　

制高质量外链，Ｃ—ＣＡＣＯ—ＤＥ算法的信息素设计取决于问题变　

量的数量和精度秦皇岛seo。　

设自变量的有限长度为Ｌ西宁做网站，由Ｎ个分量组成，　

每一个分量都到小数点后ｍ位速贝seo实战培训，则将自变量　

构成Ｎ＊（Ｌ＋１）＋１层城市如何推广网上商城，且第１国外推广，Ｌ十２西风seo，２Ｌ＋３开业软文，　

…

淘宝关键词优化，Ｎ＊（Ｌ＋１）＋１层城市的标号为０、其余层城　

市的标号为０到９中的任意一个数。第（ｋ一１）＊　

（Ｌ－ｔ－１）十２到ｋ＊（Ｌ十１）层（ｋ一１，２，…，Ｎ）表示　

自变量的第尼个分量重庆seo服务。其余都是辅助层衢州百度推广。只有ｄ　

１与ｄ层（ｄ　Ｅ［（是一１）＊（Ｌ＋１）＋２百度推广后台登陆，ｋ＊（Ｌ＋　

１）］，是一１，２首页制作，…，Ｎ）之间的各个城市有连接通路百度网店，　

记　一１层代表十进制数ｎ的城市与ｄ层代表十进　

制数ｂ的城市之间的连接上残留的信息素为ｒ盘搜索引擎提交。　

蚂蚁　在一次循环中的第　步所在的城市用　

Ｔ（　网络营销平台，　）表示。设蚂蚁总数为』＼『。网站统计分析，根据下式计算　

选择下一层要走的城市的概率：　

９　

Ｐ（ｎ，６）一　ｄ／（＞　ｚ．ｄ　）　（３）　

ｚ一０　

１　２７　

其中，Ｐ（ｎ，６）表示从当前城市ｎ转移下一层的城　

市ｂ的概率diemin。　

３．３更新信息素　

Ｃ—ＣＡＣＯ—ＤＥ算法有两种信息素更新方式：局　

部更新和全局更新google关键词。　

在局部更新中seo招聘，信息素ｒ　根据每只蚂蚁到　

的解进行修改，其更新公式如下：　

ｆ孕（　，　Ｔ（　）　一（１一Ｐ）＊ｚ－扎　丁　）＋　ｏ　

（４）　

其中，ｐ∈（０网站制作计划，１）为常数，表示路径上残留信息减　

弱的速度搜客盒子。　

在全局更新前，首先对蚂蚁选择的路径解码网上销售平台，　

计算出现蚂蚁　（＂∈［１，Ｎ。］）对应的自变量　（足　

∈［１恶意点击，　］）的值：　

Ｋ＊（Ｌ，１）　

一　∑　Ｔ（　，　）＊　

一（　１）＊（』　一１）斗２　

１０＿。　，尼∈［１，～］　（５）　

计算每只蚂蚁对应的函数值，选择出现函数值　

最小的蚂蚁：　

…

一ａｒｇｍｉｎ｛－厂（　，　，…论坛发帖，　）｝　（６）　

然后网站栏目名称，对这只更优蚂蚁经过的路径按下式做全　

局更新！　

一（１——ａ）＊ｚｒ　＋ａｆ（”…）　（７）　

其中什么是cms，ｄ为（０，１）上的常数产品运营策略，ｉ一，』、（　…，ｄ一１），　—　

Ｔ（　中国搜索引擎排名，　）林芝网，ｄ∈［（是　１）＊（，　＋１）＋２，是＊（Ｌ＋　

１）］alexa优化，是一１，…交换链接平台，』＼，。　

４　Ｃ—ＣＡＣＯ—ＤＥ优化核函数参数　

利用蚁算法优化ＳＶＭ核函数参数的算法　

流程如图１所示，算法的具体步骤如下：　

（１）初始化：首先用一个较小的值　初始化所　

有的ｒ　ｄ；让每只蚂蚁的第一步为０品牌营销，即令丁（”微博营销技巧，１）　

一０（　一１，２，…网页打开慢，Ｎｏ）；　

（２）对所有的ｄ一１到ｄ层城市执行步骤（３）　

～（１０）；　

（３）对每只蚂蚁执行步骤（４）、步骤（５）；　

（４）根据式（３）选择蚂蚁在第ｄ层应该到达的　

城市；　

（５）每只蚂蚁选择城市后都立即按式（４）执行　

局部更新规则；　

（６）根据式（５）计算出所有蚂蚁对应的参数值；　

（７）利用（６）所得的参数值对训练集进行训练，　

并生成目标函数；　

（８）利用（７）中的目标函数测试所有的测试集网络营销咨询，　

１　２８　

得出所有的Ｆ１值；　

（９）根据式（６）评选出更优蚂蚁ｎ…安卓系统优化，并对蚂蚁　

”…经过的路径执行全局更新规则；　

（１Ｏ）判断是否满足终止条件，满足则输出结果　

结束计算；否则，执行步骤（２）301重定向。　

图１　基于ｃ　ｃＡｃ０一ＤＥ的ＳＶＭ核函数优化流程图　

５实验结果　

为了验证ＳＶＭ核函数参数优化算法的有效　

性推广效果，采用复旦大学免费提供的中文文本分类语料库　

进行分类实验baidu com。本实验挑选其中的ｌ０个数据集　

（Ａｒｔ、Ｈｉｓｔｏｒｙ、Ｓｐａｃｅ、Ｃｏｍｐｕｔｅｒ、Ｅｎｖｉｒｏｎｍｅｎｔ、　

Ａｇｒｉｃｕｌｔｕｒｅ、Ｅｃｏｎｏｍｙ、Ｍｉｌｉｔａｒｙ、Ｐｏｌｉｔｉｃｓ、Ｓｐｏｒｔｓ）seo快速排名软件，　

每个数据集包括正反两个类别本溪网。下面针对Ｃ—ＣＡ—　

ＣＯ—ＤＥ和ＣＡＣＯ　ＧＴ算法进行比较百度统计，分别对多项　

式核函数、ＲＢＦ核函数、ｓｉｇｍｏｉｄ核函数进行实验，　

核函数如下：　

（１）多项式核函数：Ｋ（Ｘ英文外链代发，Ｘ　）一（（Ｘ・Ｘ　）＋　

Ｃ）　。　

（２）ＲＢＦ核函数：Ｋ（ｘsem公司，Ｘ　）一ｅｘｐ（一　ｌ　ｌｘ～　

Ｘ　ｌ　ｌ）。　

（３）　ｓｉｇｍｏｉｄ核函数：　Ｋ（Ｘ搜狗与360，Ｘ　）　一　

ｔａｎｈ（ｘ＊（Ｘ・Ｘ　）＋ｕ）泛站软件。　

下面所有实验中，两算法共用参数取值如下：　

ｄ一０．２，Ｐ一０．８，ｒ网站seo优化。一０．０１，Ｎ。一２５，运行循　

环次数为２５，其中Ｃ　ＣＡＣＯ—ＤＥ所需的参数Ｌ一　

２cpv广告，ｍ一１，ＣＡＣＯ—ＧＴ求解值的取值范围为［１优化系统排名，　

ｘｏ］，等分段数为１００优化关键词排名。　

Ｃ　ＣＡＣＯ　ＤＥ和ＣＡＣＯ—ＧＴ算法相应比较以　

及参数优化结果、Ｆ１值如表ｌ所示baodu，其中Ｃ是　

ＳＶＭ中的惩罚系数什么叫网络营销，多项式核函数参数ｄ为整数南京seo公司。　

从表ｌ可以看出：对于Ａｒｔ类别google adsence，Ｆ１值达到更大　

时百度采购，使用Ｃ—ＣＡＣＯ—ＤＥ优化算法时其多项式核函　

数参数ｃ＝３．０，ｄ＝１，惩罚系数Ｃ＝１．０；使用ＣＡ—　

ＣＯ　ＧＴ优化算法时安徽网页设计，其多项式核函数参数ｃ一１．２，　

下面针对核函数优化前后做一比较宝应seo，以ＲＢＦ　

核函数为例邢台做网站，其优化之前的参数　一１龙岩网站制作，惩罚系数ｃ　

一２网络广告推广，其实验结果如图２所示。从图２可以看出：　

Ａｒｔ类别特征数为１００、２００、２５０，优化前Ｆｌ值分　

另０为９７．８９％、９８．２３　、９８．２４　，而优化后Ｆ１值　

分别为９８．９４　、９８．９４　、９８．９４　；Ｍｉｌｉｔａｒｙ类别　

特征数为１５０、２００、２５０，优化前分别为９６．０９　、　

ｄ　１，惩罚系数ｃ一１．８长沙网络营销培训。而对于Ｓｐａｃｅ类别，使用　

Ｃ—ＣＡＣＯ—ＤＥ优化算法时其多项式核函数参数分　

别为ｆ一１．０又名永州站长网，ｄ一２，惩罚系数Ｃ一２．０；使用ＣＡＣＯ—　

ＧＴ优化算法时www baidu com，其多项式核函数参数ｃ一１．０，ｄ一　

４贵州网站建设，惩罚系数Ｃ＝＝＝１．５渭南百度。针对这两个类别可以看出它　

们的参数是不相同的网站推广排名。进一步分析表１可以得出：　

一

９５．７Ｏ　、９６．４８　，而优化后分别为９７．２７　、９７．　

２７　、９７．６６　网站流量统计代码。可见，使用Ｃ—ＣＡＣＯ—ＤＥ优化后　

种核函数应用于不同类别分类应用优化，Ｆ１值达到更大　

时，核函数参数及其惩罚系数一般是不相同的。在　Ｆ１值明显优于优化前的Ｆ１值宣城网。从Ｆ１值作为评估　

标准，证明了基于Ｃ—ＡＣＯ—ＤＥ的ＳＶＭ核函数优化　

模型是有效的百度搜索优化。　

通常情况下，向量机运用于不同类别进行分类时站长站，　

核函数的参数都是固定的，并不能使得向量机对每　

个类别分类时都达到更优。因此，基于Ｃ—ＡＣｏ—　

ＤＥ和ＣＡ　）一ＧＴ的ＳＶＭ核函数优化模型为向量　６　结束语　

从蚁算法用于优化ＳＶＭ参数以来百度凤巢，蚁算　

法中最常用的搜索策略是网格划分策略，网格划分　

策略存在求解精度的缺点合肥关键词排名，更优解必在定义域内等　

分区域某处的问题。本文在这一背景下巧说seo，提出了一　

机核函数的参数选择提供了指导性的意义排名技术。从Ｆ１　

值达到更大来考虑Ｃ—ＡＣＯ—ＤＥ和ＣＡＣＯ—ＧＴ优化　

算法：优化多项式核函数参数时苏州百度，针对Ｐｏｌｉｔｉｃ类　

别深圳网站优化哪家好，ＣＡＣＯ—ＧＴ优于Ｃ—ＡＣＯ—ＤＥ；优化ＲＢＦ核函数　

参数时雅然培训，针对Ｓｐｏｒｔｓ类别，ＣＡＣＯ—ＧＴ优于ｃ—　

ＡＣＯ—ＤＥ；优化Ｓｉｇｍｏｉｄ核函数参数时，针对Ｓｐａｃｅ　

类别，ＣＡＣ０一ＧＴ优于Ｃ—ＡＣＯ—ＤＥ网站推广经验。除了这３种情　

种基于离散编码的蚁算法优化ＳＶＭ核函数参　

数模型淄博网站优化，解决了运用Ｃ—ＡＣＯ算法之前必须将原连　

况下运营app，Ｃ—ＡＣＯ—ＤＥ明显优于ＣＡＣ０一ＧＴ。从Ｆ１值　

达到更大值来考虑，与ＣＡＣＯ—ＧＴ相比，Ｃ—ＡＣＯ—　

ＤＥ更具有使用实际意义。　

续函数变换到解在［０北京网络营销，１］上的连续函数和网格划分　

策略的不足英文外链代发。实验结果表明如何进行产品推广，该模型应用于文本分　

类时具有更高的分类精度。　

表１核函数参数优化结果　

多项式核函数参数　

数据集　优化算法　

Ｃ　ＣＡＣｏ　ＤＥ　

Ａ　ｒｔ　

ＣＡＣ（）ＧＴ　

Ｃ　ＣＡＣ（）＿ＤＥ　

ＨｉＳｔＯｒｙ　

更大　ＲＢＦ核函数参数　更大　

Ｆ１值　

９９．３２　

９８．５９　

９３．１６　

Ｓｉｇｍｏｉｄ核函数参数　

Ｃ　

９．２　

５．４　

８．０　

更大　

Ｆ１值　Ｃ　

１．０　

１．８　

１．０　

ｄ　

３．０　

１．２　

Ｌ　Ｏ　

Ｃ　

０．２　

１．０　

０．４　

Ｆｌ值　

０．７　

１．０　

０．１　

１　

１　

３　

９８．９４％　

９８．２４　

９０．４９　

１．０　

１．０　

２．０　

０．４　

１．０　

０．７　

９９．３０％　

９８．９４　

９１．１５　

ＣＡＣ０一ＧＴ　

Ｃ　ＣＡＣ（）＿ＤＥ　

Ｓｐａｃｅ　

ＣＡＣ（）＿ＧＴ　

３．０　

２．０　

１．５　

８．５　

１．０　

１．０　

１　

２　

４　

８９．８４　

９５．３４　

９４．９８　

１．３　

７．０　

８．３　

１．１　

０．２　

１．０　

８９．１８　

９４．９８　

９４．６２　

２．１　

８．０　

５．９　

１．２　

１．０　

１．０　

１．０　

１．０　

１．５　

９Ｏ．８２％　

９５．３４　

９６．４２　

Ｃ—ＣＡＣ０一ＤＥ　

ＣｏｍＤｕｔｅｒ　

８．０　

８．７　

３．０　

１．０　

１　

１　

９７．１５　

９７．１５　

９．０　

５．５　

１．０　

１．０　

９６．８４　

９６．８４　

３．０　

７．９　

３．０　

１．０　

５．０　

１．０　

９６．９４％　

９６．８４　ＣＡＣ（　ＧＴ　

Ｃ　ＣＡＣ（）＿ＤＥ　

Ｅｎｖｌｒｏｎｍｅｎｔ　

４．０　

４．２　

２．０　

１．２　

１．０　

１．８　

１．０　

１．０　

１　

１　

１　

】　

９６．８３％　

９６．８３　

９７．４４　

９７．４４　

０．５　

６．４　

９．０　

５．２　

０．１　

１．０　

１．０　

３．Ｏ　

９７．４６　

９６．１　９　

９７．１２　

９７．４４　

１．０　

６．３　

７．０　

５．６　

１．０　

２．４　

０．９　

１．Ｏ　

１．２　

２．１　

０．６　

】．Ｏ　

９８．１Ｏ　

９８．１Ｏ　

９７．７７　

９７．４４　

ＣＡＣ（）＿ＧＴ　

Ｃ—ＣＡＣ０一ＤＥ　

Ａｇｒｉｃｕｌｔｕｒｅ　

ＣＡＣ（）一ＧＴ　

Ｃ　ＣＡＣ（）＿ＤＥ　

Ｅｃｏｎｏｍｙ　

１．０　２．０　２　９４．２０　３．０　１．０　９１．５５％　８．４　０．１　０．３　９Ｏ．２０　

ＣＡＣ（）ＧＴ　

Ｃ—ＣＡＣ（）－ＤＥ　

Ｍｉｌｉｔａｒｙ　

１．４　

２．０　

１．０　

１．０　

５．５　

１．０　

１．０　

１．０　

９　

１　

１　

１　

９１．２２　

９７．６６％　

９７．６６　

９２．１３　

１．８　

４．６　

６．６　

１．０　

１．０　

０．８　

１．０　

０．１　

９１．５５％　

９７．６６　

９７．２６％　

９４．４３　

４．４　

１．０　

１．０　

０．９　

１．６　

１．０　

１．Ｏ　

１．Ｏ　

１．０　

１．０　

１．０　

<