支持向量机在小样本数据分类中具有独特的优势,参数的选择对支持向量机的分类精度和泛化能力有着重要的影响,针对当前支持向量机参数优化方法的不足,本文提出了基于改进人工蜂群算法的支持向量机优化模型。人工蜂群算法是Karaboga由蜜蜂采蜜行为得到启发而提出的一种优化算法。作为一种群智能算法,人工蜂群算法通过不同类型蜜蜂之间,的协作,蜜源信息的收集和共享来寻找优化问题的最优解。由于人工蜂群算法的解搜索方程局部搜索能力较弱,算法收敛速度较慢,易陷入局部最优,本文受反向学习思想的启发,提出了一种基于反向学习的人工蜂群算法。该算法首先利用反向学习对种群进行初始化,从而提高初始解的质量,其次为保证算法迭代过程中种群的多样性,将反向学习的思想应用到雇佣蜂阶段,当新产生的解的质量低于当前解的质量时,产生其反向解,并应用贪婪选择策略进行更新,进一步提高算法的全局搜索能力。同时针对人工蜂群算法前期勘探和后期开采能力不平衡的问题,采用自适应权重策略动态调整权重,平衡算法的全局和局部搜索能力。在基准测试函数上验证所提出算法的性能,实验结果表明相比于传统的人工蜂群算法和其他经典的改进算法,基于反向学习的人工蜂群算法具有较好的收敛速度和寻优精度。在对人工蜂群算法进行改进的基础上,将支持向量机参数寻优问题作为待优化问题,通过设计适应度函数,利用改进的人工蜂群算法对惩罚因子C和核函数参数σ进行寻优,得到支持向量机最优参数组合(C,σ)。在UCI经典数据集上对基于人工蜂群算法优化的支持向量机分类模型的性能进行验证,实验结果表明,所提出的分类模型具有较高的分类准确率和较好的泛化能力。