一种基于累积适应度遗传算法的 SVM多分类决策树

摘要：

针对基于遗传算法（genetic algorithm，GA）的支持向量机（support vector machine，SVM）多分类决策树算法（GA-SVM）中全局优化缺陷的问题，通过重新定义遗传适应度函数（fitness），提出一种累积适应度（cumula-tive fitness），进而衍生出新算法 CFGA-SVM。该算法从根节点开始逐层构造二叉树，对根节点基因实值编码，通过基因分裂操作产生子代种群，然后利用累积适应度筛选出新的种群，筛选出的种群并不一定是当代局部最优，但一定是所得二叉树中全局最优，从而提高分类精度，最后以此循环直至算法结束。通过在 UCI 的 artificial characters 数据集上的实验结果表明，CFGA-SVM较之 DT-SVM与 GA-SVM算法在全局优化能力、分类精度上有明显提高，进而验证了该算法的可行性与有效性，可在大规模样本的分类应用中推广。

关键词：多分类、支持向量机、遗传算法、累积适应度函数、全局优化

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61272194

在线出版日期：2016-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：64-67,74