摘要：针对目前人工蜂群算法的早熟收敛、陷入局部极值等问题，提出一种基于混沌鲶鱼效应的改进人工蜂群算法。首先，采用随机性更高的混沌序列初始化蜂群以扩大其遍布范围；其次，集成了鲶鱼效应和混沌理论提出了混沌鲶鱼蜂，并引入了它与跌入局部极值的蜂群之间的有效竞争协调机制，从而增进蜜蜂群体跳出局部最优解、加速收敛的能力。支持向量机的学习能力主要取决于其惩罚因子 C和核函数参数的合理选择，对其参数的优化可以提升其学习效果，然而现行算法均存在一定局限性。基于我们提出的改进人工蜂群算法，对支持向量机的参数进行了优化。最后，在UCI （加州大学欧文分校）数据集和行为识别真实数据集上进行了测试，验证基于改进人工蜂群算法的支持向量机具有更强的分类性能。

关键词：人工蜂群算法 混沌理论 鲶鱼效应 支持向量机 行为识别 

单位：吉林大学计算机科学与技术学院; 吉林长春; 130012; 吉林大学符号计算与知识工程教育部重点实验室; 吉林长春130012