支持向量机分类器,基于结构风险最小化原则。支持向量机的性能取决于不同的参数,如惩罚因子,<我nline-formula> C 内核的因素,<我nline-formula> σ 。选择合适的核函数也可以提高识别评分,降低计算量。此外,一些特性中选择有用的特性数据集不仅增加了支持向量机的性能,而且还减少了计算时间和复杂性。这是一个可以解决优化问题的启发式算法。在某些情况下,除了识别评分,分类器的输出的可靠性是非常重要的。所以在这种情况下需要一个多目标优化算法。在本文中,我们有MOPSO算法来优化支持向量机的参数,选择合适的核函数,并选择最佳特征子集同时为了优化识别评分和并发支持向量机的可靠性。九个不同的数据集,从UCI机器学习库,用于评估权力和该方法的有效性(MOPSO-SVM)。该方法的结果是通过单一的支持向量机相比,RBF和MLP神经网络。