崔兆億，耿秀麗

（上海理工大學(xué) 管理學(xué)院，上海 200093）

0 引言

服務(wù)型制造是《中國制造2025》九項戰(zhàn)略任務(wù)和重點之一，是我國經(jīng)濟實現(xiàn)“創(chuàng)新驅(qū)動、轉(zhuǎn)型升級”的重要途徑。制造業(yè)和服務(wù)業(yè)的融合改變了制造業(yè)產(chǎn)業(yè)形態(tài)，引發(fā)了制造模式改革。企業(yè)為客戶創(chuàng)造最大價值，提供產(chǎn)品和服務(wù)結(jié)合的整體解決方案，即產(chǎn)品服務(wù)系統(tǒng)（Product Service System，PSS）。PSS 的重要特征是滿足客戶個性化需求和配置。PSS 方案配置強調(diào)根據(jù)客戶需求快速準確地設(shè)計出合適的模塊實例組合。

現(xiàn)有PSS 配置方法主要有遺傳算法、神經(jīng)網(wǎng)絡(luò)和多目標規(guī)劃等方法。Sheng 等［1］在模塊劃分的基礎(chǔ)上，提出基于遺傳算法的PSS 方案配置優(yōu)化方法，而該方法需要設(shè)置權(quán)重，涉及個人經(jīng)驗和偏好等因素，缺乏客觀性；Wei 等［2］提出一種基于多目標遺傳優(yōu)化算法與模糊選擇機制的方法，以解決多目標優(yōu)化配置問題；Xuanyuan 等［3］提出基于多目標優(yōu)化方法進行產(chǎn)品配置，并使用多目標遺傳算法從可行解中找到Pareto 最優(yōu)解集，能夠很好地解決多目標優(yōu)化問題，但維度較大時容易出現(xiàn)早熟；Shen 等［4］集成局部集群神經(jīng)網(wǎng)絡(luò)與Rulex 算法，以提取服務(wù)參數(shù)、功能需求、客戶特征或產(chǎn)品特征之間的配置規(guī)則，從而提升配置解決方案有效性。但是，神經(jīng)網(wǎng)絡(luò)遵循基于訓(xùn)練集誤差的經(jīng)驗最小化風(fēng)險方法。因此，它不能保證所得模型具有良好的泛化性能。

PSS 配置目標是為客戶的不同需求提供差異化PSS 配置方案，即從產(chǎn)品模塊與服務(wù)模塊的實例中找出特定需求的實例組合進行分類?；诮y(tǒng)計學(xué)習(xí)理論的支持向量機（Support Vector Machines，SVM）能夠很好地解決分類問題。它以解決小樣本量和非線性問題而著稱，并且比傳統(tǒng)學(xué)習(xí)算法表現(xiàn)更好［5］。SVM 方法已成功應(yīng)用于模式分類和回歸領(lǐng)域。本文利用SVM 方法良好的分類能力，將特定的客戶需求作為模型輸入，輸出個性化PSS 配置方案。

SVM 雖然有許多優(yōu)點，但是在處理大樣本容量等分類問題時存在不足。當(dāng)訓(xùn)練樣本數(shù)為N時，支持向量機時間復(fù)雜度接近N2。另外，SVM 在選取參數(shù)時具有高度依賴性，對核函數(shù)的選取和懲罰因子的設(shè)定要求極高。于是很多學(xué)者利用遺傳算法和網(wǎng)格搜索等算法對SVM 參數(shù)進行優(yōu)化改進。Huang 等［6］提出GA-SVM 模型分析氣候變化和人類活動對植被覆蓋變化的定量貢獻，使用遺傳算法對SVM 中的損失參數(shù)、核函數(shù)參數(shù)和損失函數(shù)epsilon 值進行優(yōu)化；Chen 等［7］提出一種基于GA-SVM 的拉曼光譜技術(shù)，用于快速有效地篩選人乳頭瘤病毒，并通過使用遺傳算法優(yōu)化SVM 模型中的懲罰因子和核功能參數(shù)提高模型準確性；Huang 等［8］利用遺傳算法對SVM 參數(shù)進行優(yōu)化，并基于精確率和權(quán)重懲罰因子提出一種新的適應(yīng)值評估函數(shù)，盡管遺傳算法可以提高SVM 模型準確性，但它容易出現(xiàn)過早收斂的問題；Phan 等［9］在遺傳算法基礎(chǔ)上對SVM 模型訓(xùn)練樣本特征進行了加權(quán)，算法分類效果雖然得到顯著提升，但加權(quán)大幅增加了參數(shù)個數(shù)，當(dāng)樣本數(shù)量增大時，優(yōu)化效果隨之減弱；Friedrichs 等［10］提出利用固定步長進行網(wǎng)格搜索，尋找合適的SVM 參數(shù)，但這僅適用于參數(shù)較少的情況，而且實際運用過程中存在計算復(fù)雜、耗時長等問題。

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）是一種基于群智能的隨機優(yōu)化算法，它從隨機解出發(fā)，通過迭代尋找最優(yōu)解，并用適應(yīng)度評價解的品質(zhì)。PSO 因具有操作簡單、通用性強等特點，引起眾多學(xué)者注意。Liu 等［11］利用PSO 算法優(yōu)化SVM 模型參數(shù)，以預(yù)測每日PM2.5 水平預(yù)報，首先通過余弦相似度從6 個常見的氣象參數(shù)（大氣壓、相對濕度、氣溫、風(fēng)速、風(fēng)向、累積降水）中提取3 個最相關(guān)的參數(shù)，以提供SVM 模型所需的氣象模式，然后由相對濕度，風(fēng)速和風(fēng)向組成的選定模式獲得更高的預(yù)測精度；陳晉音等［12］利用粒子群算法的全局尋優(yōu)能力，通過粒子隨機游走進行最優(yōu)參數(shù)搜索，將結(jié)果代入SVM 進行樣本訓(xùn)練，并與網(wǎng)格算法等進行比較，驗證了PSO-SVM 準確率更高；García 等［13］提出一種混合PSO 優(yōu)化的SVM 模型以預(yù)測螺旋藻生長周期，利用3 種不同的核（線性、二次和RBF）進行回歸，并分別獲得0.94、0.97 和0.99 的測定系數(shù)，最后通過PSO-SVM 模型對實驗數(shù)據(jù)（Chl-a 濃度）進行擬合，并證實了該模型的良好性能；文獻［14-15］利用粒子群算法優(yōu)化SVM 參數(shù)，最終在測試模型中得出了更佳的準確度，驗證了該方法的有效性。

本文基于粒子群算法優(yōu)化支持向量機解決PSS 配置問題。在解決PSS 配置問題中，從產(chǎn)品模塊和服務(wù)模塊的實例中找出特定需求的實例組合進行分類，由此可將PSS 配置問題視為多分類問題，而支持向量機算法能夠很好地解決多分類問題。在支持向量機算法基礎(chǔ)上，再利用粒子群算法的全局優(yōu)化能力提高支持向量機模型預(yù)測準確性，從而更加準確有效地解決PSS 多分類配置問題。

1 研究框架

PSS 配置設(shè)計基于模塊化設(shè)計思想，即需滿足模塊化設(shè)計基本原則，如模塊間功能獨立和模塊內(nèi)部獨立等。根據(jù)模塊劃分原則確定產(chǎn)品模塊和服務(wù)模塊后，生成多個模塊實例，以滿足客戶的不同需求。根據(jù)歷史數(shù)據(jù)利用支持向量機算法得到PSS 配置模型，再利用配置模型預(yù)測適合新客戶需求的PSS 配置方案。本文提出利用粒子群算法優(yōu)化支持向量機參數(shù)，利用PSO-SVM 模型進行PSS 配置，研究框架如圖1 所示。

Fig.1 Research framework圖1 研究框架

（1）劃分產(chǎn)品模塊和服務(wù)模塊后，將客戶管理系統(tǒng)中的客戶需求及其PSS 配置方案作為訓(xùn)練集和測試集，其中客戶需求作為模型輸入，滿足客戶需求的PSS 配置方案作為輸出。

（2）設(shè)置粒子群算法相應(yīng)參數(shù)，通過粒子群算法優(yōu)化支持向量機中的核函數(shù)б和懲罰因子參數(shù)C，然后將求出的最優(yōu)參數(shù)輸入到SVM 模型中，利用測試集驗證模型準確性。

（3）最后根據(jù)設(shè)定的模型預(yù)測滿足新客戶需求的PSS配置。

2 基于粒子群算法的支持向量機優(yōu)化

2.1 支持向量機

支持向量機最初由Cortes 等［14］于1995 年提出，它是基于結(jié)構(gòu)風(fēng)險最小化原理的監(jiān)督學(xué)習(xí)算法。支持向量機基本思想是在樣本空間中構(gòu)造一個超平面作為決策線，將兩類不同的樣本彼此劃分開。與大多數(shù)機器學(xué)習(xí)算法一樣，支持向量機也有訓(xùn)練集和測試集，在訓(xùn)練階段中，給模型提供一系列相關(guān)輸入和目標輸出值的示例；在訓(xùn)練階段結(jié)束后，利用測試集評估學(xué)習(xí)模型有效性。

SVM 既可以解決二分類問題，也可以解決多分類問題，本文將PSS 配置看作多分類問題。在SVM 解決多分類問題時，將問題分解為多個二分類問題，本文使用一對一（One Versus One，OVO）方法。OVO 方法針對K類問題構(gòu)造了所有K（K-1）/2 個可能的SVM 分類器，其中每個分類器均由從K類中選出的任意兩個類別的訓(xùn)練樣本構(gòu)建而成。構(gòu)造K（K-1）/2 個分類器后，樣本類別可通過投票策略確定，即每個分類器均運行該樣本一次，每次分類投一次票，最后將樣本分配給票數(shù)最多的類別。SVM 具體運算過程如下：

首先，在一個二分類問題過程中，給定一個N個訓(xùn)練樣本的集合S，S=｛（xi，y）i，i=1，2，…，N｝，其分類超平面表達式為：

其中，w為超平面法向量，b為超平面平移距離。如果所有訓(xùn)練樣本均滿足約束條件，則說明集合S是線性可分的。

為了增加SVM 分類器對誤差的容錯性，需要在目標函數(shù)中添加松弛變量ξi和一個參數(shù)C，所以目標函數(shù)可表示為：

其中C為懲罰參數(shù)，用于控制邊距最大化與誤差最小化之間的平衡。

當(dāng)面對非線性分類問題時，支持向量機算法需將輸入數(shù)據(jù)映射到更高維的特征空間中解決非線性分類問題。為了避免維數(shù)過高的問題，引入核函數(shù)k（xi，x）j，本文選用高斯徑向基核函數(shù)。

其中，參數(shù)σ影響從樣本空間到特征空間的映射。將目標函數(shù)引進廣義拉格朗日乘子，此時，優(yōu)化問題可以重新表示為：

其中，αi為拉格朗日系數(shù)，則最終優(yōu)化的超平面可表示為：

2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法由Kennedy 等［15］在1995 年提出，它是通過模擬鳥群覓食行為衍生而來的一種基于群智能的隨機搜索算法。其基本思想是首先一群隨機粒子組成種群，然后通過已設(shè)定的信息改變粒子位置，以迭代的方式逐步進行優(yōu)化搜索，最終求出最優(yōu)解。

粒子群優(yōu)化算法的數(shù)學(xué)描述為：在一個n維搜索空間中，設(shè)粒子群規(guī)模為m，則第i個粒子在n維空間中的位置表示為：

第i個粒子在n維空間中的速度表示為：

第i個粒子當(dāng)前最優(yōu)位置為：

整個粒子群當(dāng)前最優(yōu)位置為：

在每一次迭代過程中，粒子群中每個粒子速度更新公式為：

其中c1、c2為學(xué)習(xí)因子，通常情況下c1=c2=2；w為慣性因子，w值越大，說明全局尋優(yōu)能力越強，局部尋優(yōu)能力越弱；rand1、rand2是均勻分布在［0，1］區(qū)間的隨機數(shù)；t代表迭代次數(shù)。

粒子群中每個粒子位置更新公式為：

2.3 粒子群算法優(yōu)化支持向量機的參數(shù)

選取不同的核函數(shù)將生成不同的支持向量機，從而對PSS 配置產(chǎn)生很大影響。本文選取的是RBF 核函數(shù)，因為核函數(shù)處理多分類問題時較其它核函數(shù)有更高的精度和更快的速度。同時，懲罰因子C對支持向量機模型的準確度影響也很大，所以優(yōu)化懲罰因子C和RBF 核函數(shù)б兩個參數(shù)是非常重要的。本文采用粒子群優(yōu)化算法對支持向量機分類器的C、б進行優(yōu)化。

基于PSO優(yōu)化SVM參數(shù)的過程如圖2所示，PSO優(yōu)化SVM 的具體步驟如下：

（1）導(dǎo)入數(shù)據(jù)。首先導(dǎo)入訓(xùn)練數(shù)據(jù)，然后提取訓(xùn)練數(shù)據(jù)特征值和目標值。

（2）PSO 參數(shù)初始化。設(shè)定學(xué)習(xí)因子c1和c2、慣性因子w、最大迭代次數(shù)Tmax、當(dāng)前迭代次數(shù)t、初始種群X（t）、粒子初始速度V（t）、粒子維度d。

（3）計算適應(yīng)值。粒子適應(yīng)度值越大，說明粒子當(dāng)前位置越好。本文設(shè)置的適應(yīng)度函數(shù)為粒子在5-fold CV 下的分類精度。對于每個粒子而言，將其當(dāng)前位置適應(yīng)值與歷史最佳位置（pbest）適應(yīng)值進行比較，如果當(dāng)前位置適應(yīng)值更高，則用當(dāng)前位置更新歷史最佳位置。同樣對于每個粒子而言，將其當(dāng)前位置適應(yīng)值與全局最佳位置（gbest）適應(yīng)值進行比較，如果當(dāng)前位置適應(yīng)值更高，則更新當(dāng)前位置為全局最佳位置。

（4）更新粒子位置和速度。根據(jù)式（11）、式（12）更新每個粒子速度和位置，產(chǎn)生新一代種群。

（5）判斷結(jié)束條件。當(dāng)尋優(yōu)達到最大迭代次數(shù)時，尋優(yōu)結(jié)束；否則轉(zhuǎn)至步驟（3），繼續(xù)尋優(yōu)。

（6）將得到的粒子最優(yōu)位置，即最優(yōu)參數(shù)（C，б）賦給SVM。

（7）最后使用測試樣本進行測試。

Fig.2 PSO-SVM optimization process圖2 PSO-SVM 尋優(yōu)流程

3 基于PSO-SVM 的PSS 配置方法

根據(jù)上文提到的支持向量機算法和粒子群算法，本文將兩種算法相結(jié)合，提出一種基于PSO-SVM 的PSS 配置方法。實現(xiàn)過程包括兩個部分：數(shù)據(jù)收集及編碼與用于PSS配置多分類PSO-SVM 模型構(gòu)建。

3.1 數(shù)據(jù)收集及編碼

在現(xiàn)實生活中，客戶PSS 配置需求是不同的，所以必須收集客戶需求特性。以中央空調(diào)為例，客戶通常使用穩(wěn)定性強、適應(yīng)性強等描述PSS 配置。

本文采用PSO-SVM 模型將客戶需求轉(zhuǎn)化為特定的PSS 配置方案，當(dāng)一個新客戶提供需求時，將新客戶需求特性作為PSO-SVM 模型輸入。然后，將其與特定需求有關(guān)的PSS 作為經(jīng)過訓(xùn)練后的PSO-SVM 模型輸出顯示，以此為PSS 配置指導(dǎo)和建議。數(shù)據(jù)收集和數(shù)據(jù)編碼是PSO-SVM模型構(gòu)建中非常重要的階段。本文將客戶需求作為輸入，將PSS 配置作為輸出。

3.1.1 輸入

為使用PSO-SVM 模型，必須將輸入表示為實數(shù)向量。每個客戶需求特征由En=｛CRi｝（i=1，2，…，n）表示，每一個需求特征CRi都有t個可選值。然后通過客戶對PSS 需求進行編碼，將其作為輸入。

3.1.2 輸出

在產(chǎn)品和服務(wù)領(lǐng)域，將不同的產(chǎn)品組件和服務(wù)模塊結(jié)合構(gòu)成一個PSS 提供給客戶，這些PSS 也稱為配置解決方案。它們可以通過產(chǎn)品和服務(wù)表示。對于產(chǎn)品模塊而言，產(chǎn)品特征可以用PMs表示，PMs=｛pi|1

3.2 用于PSS 配置的多分類PSO-SVM 模型構(gòu)建

3.2.1 多分類SVM 模型構(gòu)建及最優(yōu)參數(shù)確定

由于PSS 配置問題是一個多分類問題，所以本文首先將其劃分為一系列的二分類問題；然后，通過OVO 方法構(gòu)造所有的二元SVM 分類器，當(dāng)輸入一個樣本時，所有分類器都將運行一次；最后通過投票，票數(shù)最多的為該樣本對應(yīng)類別。

在運行多類SVM 模型時，為了更好提高模型分類精度，必須確定高斯核函數(shù)參數(shù)б與懲罰因子C。只有確定參數(shù)C與參數(shù)б的最佳組合，才能使精度達到最高。本文利用粒子群方法進行k-fold 交叉驗證（CV），求出這兩個參數(shù)最佳組合。對于k-fold 交叉驗證，首先將整個訓(xùn)練集分為近似相等樣本的k個子集，然后將每個子集當(dāng)作測試集，其余k-1 個子集當(dāng)作訓(xùn)練集，以此用作多分類SVM 模型構(gòu)建條件。因此，每個子集不僅充當(dāng)了訓(xùn)練集，也充當(dāng)了測試集。本文使用5-fold 交叉驗證進行分析，通過粒子群算法，求出最優(yōu)參數(shù)組合。

3.2.2 模型測試

將具有最佳參數(shù)對（C，б）的多分類SVM 模型稱為訓(xùn)練模型，再利用已訓(xùn)練好的模型對測試樣本進行測試，評估模型性能。本文利用預(yù)測正確的PSS 配置數(shù)量與PSS 配置總數(shù)之比評估訓(xùn)練模型性能。

4 實例分析

某公司A 是一家中央空調(diào)制造商，為了增強公司競爭力，滿足客戶個性化、多樣化需求，決定向服務(wù)型企業(yè)轉(zhuǎn)型，為客戶提供產(chǎn)品和服務(wù)組合的配置方案。該公司提供具有不同特征的產(chǎn)品模塊和服務(wù)模塊，通過融合二者形成產(chǎn)品服務(wù)系統(tǒng)方案作為客戶配置方案。為了快速響應(yīng)客戶需求，將新客戶需求作為SVM 模型輸入，通過SVM 模型預(yù)測新客戶需求對應(yīng)的PSS 配置方案。

首先從A 公司客戶管理系統(tǒng)中的客戶需求及其PSS 配置方案中抽取52 個數(shù)據(jù)樣本，用于構(gòu)建多分類PSO-SVM模型。將這52 個樣本分成訓(xùn)練集和測試集，其中訓(xùn)練集樣本個數(shù)為40 個，測試集樣本個數(shù)為12 個。將客戶需求作為PSO-SVM 模型輸入，將為客戶提供的PSS 配置方案作為輸出。

4.1 數(shù)據(jù)收集與編碼

在客戶需求中，一共列舉8 個屬性，具體如表1 所示。其中［VL，L，ML，M，MH，H，VH］分別表示［非常低，低，較低，中等，較高，高，非常高］，其對應(yīng)編碼為［-3，-2，-1，0，1，2，3］，本文用［-3，3］區(qū)間形式代替。例如某客戶需求為環(huán)保性高，則可用編碼“2”表示。

Table 1 Description of customer requirements表1 客戶需求描述

為了對PSS 進行編碼，首先需確定產(chǎn)品模塊和服務(wù)模塊。通過查找相關(guān)資料，確定中央空調(diào)9 個產(chǎn)品組件，每個組件都有一個或多個實例，如表2 所示。在服務(wù)模塊中，一共有5 個模塊，每個模塊有多個實例，如表3 所示。

Table 2 Description of product modules表2 產(chǎn)品模塊描述

Table 3 Description of service modules表3 服務(wù)模塊描述

不同的產(chǎn)品組件和服務(wù)模塊組成不同的PSS 配置方案。由于客戶需求各異，本文最終確定6 個PSS 配置方案以滿足不同客戶的需求。例如，PSS 配置方案“1”可表示為：｛A3，B2，C2，D2，E，F(xiàn)1，F(xiàn)3，G，H2，I1，J2，K1，L1，M1，N1｝；PSS配置方案“2”可表示為：｛A2，B1，C2，D1，E，F(xiàn)2，F(xiàn)4，G，H2，I2，J3，K2，L1，M3，N2｝。

4.2 PSO-SVM 模型構(gòu)建

首先，將52 個樣本需求及對應(yīng)的PSS 配置用于構(gòu)建PSO-SVM 模型，如表4 所示。

Table 4 Input and output of PSO-SVM model表4 PSO-SVM 模型輸入和輸出

然后，通過OVO 方法構(gòu)造多類PSO-SVM 模型。對于由OVO 方法創(chuàng)建的每個可能的二進制PSO-SVM，將高斯RBF 函數(shù)選擇為內(nèi)核函數(shù)。

下一步結(jié)合粒子群優(yōu)化算法進行5 折CV 的參數(shù)尋優(yōu)，找出最優(yōu)參數(shù)對（C，σ）以運行多類PSO-SVM 模型。在參數(shù)尋優(yōu)過程中，將隨機選擇的40 個樣本用于訓(xùn)練多類PSO-SVM 模型。在粒子群優(yōu)化算法中，通過每一次迭代得出一個參數(shù)對（C，σ），反復(fù)迭代到最大的迭代次數(shù)，輸出最優(yōu)的參數(shù)對（C，σ）。粒子群優(yōu)化算法具體參數(shù)設(shè)置如表5所示。

Table 5 Parameter setting of particle swarm optimization表5 粒子群算法參數(shù)設(shè)定

通過粒子群算法參數(shù)值的設(shè)定計算出最優(yōu)的參數(shù)對（C，σ），然后將其作為多分類SVM 模型參數(shù)設(shè)定值進行預(yù)測分析。整個過程由Python3.7 及相應(yīng)第三方庫（例如Numpy，Matplotlib，Sklearn 等）完成。

4.3 PSO-SVM 模型求解

為了評估訓(xùn)練模型性能，使用分類精度作為度量。首先利用粒子群優(yōu)化算法進行迭代，得出5-fold CV 下的分類精度，其過程如圖3 所示。

Fig.3 PSO-SVM parameter optimization圖3 PSO-SVM 參數(shù)尋優(yōu)

通過粒子群優(yōu)化算法得出，當(dāng)?shù)螖?shù)到95 次時，5-fold CV 下的分類精度（即89.84%）達到最高，此時得出最優(yōu)參數(shù)值C=15.192 2，σ=0.226 4。將最優(yōu)參數(shù)代入多分類SVM 模型中，并將12 個用于測試集的樣本輸入模型中測試模型分類精度，測試結(jié)果如圖4 所示。

Fig.4 Model performance圖4 模型性能

從圖4 可看出，只有一個最初歸類為“2”的樣本被誤歸類為“4”，模型分類精度為91.67%。

為了驗證該模型解決實際問題的可靠性，本文對兩個新客戶需求PSS 配置與實際的吻合性進行測試。第一個新客戶需要為醫(yī)院配置中央空調(diào)，其需求是能夠除菌、噪聲低（即環(huán)保性非常高），考慮到病人需求，所以舒適性要求非常高。其輸入為｛3，3，2，1，-2，3，2，0｝，輸出的結(jié)果為配置方案“6”，即｛A1，B1，C2，D1，E，F(xiàn)2，F(xiàn)3，G，H1，I2，J3，K3，L1，M2，N3｝。在實際中，A1 有降噪功能，D1 有除細菌的功能，而配置方案“6”包含以上需求，驗證了該模型可靠性；第二個新用戶由于在高海拔地段，海拔較高，所以需要適應(yīng)性非常高，其次穩(wěn)定性也要求非常高。其輸入為｛3，2，2，3，-2，0，1，3｝，輸出結(jié)果為配置方案“1”，即｛A3，B2，C2，D2，E，F(xiàn)1，F(xiàn)3，G，H2，I1，J2，K1，L1，M1，N1｝。A3 有海拔自適應(yīng)、低功耗的功能，D2 有節(jié)能的功能，N1 為位置和天氣自適應(yīng)，而配置方案“1”含以上的需求，再次驗證了模型可靠性。

4.4 模型對比分析

本文將PSO-SVM 模型與傳統(tǒng)SVM 模型進行對比，驗證模型優(yōu)越性，如表6 所示。

Table 6 Accuracy comparison between PSO-SVM and SVM表6 PSO-SVM 與SVM 的精度對比

由于測試樣本數(shù)量較少，并且受樣本可區(qū)分度的影響，測試樣本識別率普遍高于訓(xùn)練樣本識別率。從表6 可看出，PSO-SVM 訓(xùn)練識別率與測試識別率均高于傳統(tǒng)SVM模型，PSO-SVM 模型訓(xùn)練樣本識別率達89.84%，測試樣本識別率達91.67%，可看出PSO-SVM 模型有更好的分類精度，也說明了該模型優(yōu)越性。

5 結(jié)語

PSS 是制造公司在面向服務(wù)轉(zhuǎn)換過程中產(chǎn)生的新概念，也是在可持續(xù)發(fā)展背景下解決方案的發(fā)展趨勢。PSS模塊化配置可有效、準確滿足多樣化客戶需求。隨著人工智能的快速發(fā)展，智能技術(shù)被廣泛用于協(xié)助設(shè)計和開發(fā)活動以提高競爭力。本文采用基于機器學(xué)習(xí)算法的多類支持向量機，結(jié)合歷史經(jīng)驗解決PSS 配置問題；同時，利用PSO 算法優(yōu)化SVM，以獲得適當(dāng)?shù)哪Ｐ蛥?shù)。

通過粒子群算法優(yōu)化支持向量機懲罰因子C與核函數(shù)б，將得到的最優(yōu)參數(shù)代入多分類SVM 模型中，用測試集對模型進行測試。通過案例分析，證明PSO-SVM 模型分類精度比傳統(tǒng)SVM 模型高，驗證了模型準確性。最后將新客戶需求作為模型輸入，利用PSO-SVM 模型預(yù)測PSS 配置方案，驗證了模型可靠性。不過，PSO 算法需要設(shè)置的參數(shù)過多（慣性因子、學(xué)習(xí)因子等），對自身參數(shù)設(shè)定要求過高，在一定程度上影響了尋優(yōu)能力。量子粒子群優(yōu)化算法可很好解決該問題，只需設(shè)置alpha 一個參數(shù)，并且運行速度更快，這是算法優(yōu)化研究的重要方向之一。