本发明涉及人工智能领域，特别涉及一种动态调整惯性权重的粒子群优化支持向量机算法。
背景技术：
1、为提升svm在分类任务中的性能与泛化能力，精确选择误差惩罚参数c与核函数参数γ成为了重要的步骤。传统上，网格搜索算法被广泛应用于这两个参数的优化过程中，通过遍历搜索并进行多次验证来确定最优参数。此方法可以实现相对满意的优化结果，但其显著的时间成本和低效率导致在实际应用中并未取得较好的效果。
2、遗传算法基于自然选择和遗传学原理，通过模拟生物进化过程中的“适者生存”原则来优化参数。通过交叉和变异操作，在一定范围内搜索最优解，使得优化过程更高效，最终通过多代进化获得最佳参数。相比之下，粒子群优化算法通过个体间的信息共享来指导搜索过程，目标更明确，搜索效率更高，从而在更短时间内找到最优解。
3、但它们大多未能彻底改变惯性权重减少的趋势，仍有可能导致算法陷入局部最优。同时，现有的优化惯性因子权重的方式，可能导致稳定性变差。
技术实现思路
1、本发明要解决的技术问题是克服现有技术的缺陷，提供一种动态调整惯性权重的粒子群优化支持向量机算法。
2、为了解决上述技术问题，本发明提供了如下的技术方案：
3、本发明提供一种动态调整惯性权重的粒子群优化支持向量机算法，具体包括以下步骤：
4、s1.初始化：生成初始粒子群，为每个粒子指定随机的初始位置和速度；
5、s2.计算适应度：为每个粒子计算适应度值；
6、s3.更新个体最优：对每个粒子而言，将其当前适应度值与其历史最佳适应度值，个体最优，记为pbest，进行比较；若当前位置具有更高的适应度值，则将当前位置更新为新的pbest；
7、s4.更新全局最优：对每个粒子而言，将其适应度值与整个粒子群的历史最佳适应度值，全局最优，记为gbest，进行比较；若当前位置具有更高的适应度值，则将当前位置更新为新的gbest；
8、在计算下一次迭代的速度和位置时，对于惯性因子ω，其惯性权重具体公式为：
9、
10、其中，x＝t/t，k是介于0到1之间的随机数，其具体值根据实际情况调整确定；rand()表示一个随机数生成函数；需满足以下条件：
11、
12、其中，c表示一个大于1的整数值，iter代表迭代次数，而j是介于0和1之间的参数，其具体值根据实际情况而定；n指总迭代次数，ncc[i]代表第i个粒子在连续迭代过程中未更新位置的次数，n为根据实际情况的设定值，pre[i]用于标示该粒子在之前的迭代中是否采用了此策略；
13、s5.终止条件：若达到预设的终止条件，如最大迭代次数或适应度阈值，则停止算法；否则，返回步骤s2继续执行。
14、作为本发明的一种优选技术方案，步骤s4中，根据公式(1)和公式(2)计算下一次迭代的速度和位置：
15、vi+1＝ω*vi+c1*rand()*(pbesti-xi)+c2*rand()*(gbesti-xi) (1)
16、xi+1＝xi+vi (2)
17、其中，i＝1，2，…,n，n代表粒子群的总数；vi代表当前粒子速度，vi+1表示下一次迭代粒子速度；函数rand()用于生成0到1之间的随机数，xi代表粒子当前的位置坐标。学习因子c1和c2通常被赋予固定的数值；如果在迭代过程中vi超其允许值vmax，则将vi设定为vmax；pbesti代表粒子个体所达到的最佳位置，而gbesti则表示整个粒子群达到的全局最优位置。
18、与现有技术相比，本发明的有益效果如下：
19、本发明通过改进的pso(wpso)算法，更高效地确定能够优化svm分类效果的误差惩罚参数和核函数参数；改进了的pso算法倾向于在算法的后期阶段陷入局部最优解以及由其他改进pso算法引发的后期稳定性问题，旨在达到更佳的优化性能。
1.一种动态调整惯性权重的粒子群优化支持向量机算法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种动态调整惯性权重的粒子群优化支持向量机算法，其特征在于，步骤s4中，根据公式(1)和公式(2)计算下一次迭代的速度和位置：
