群智能算法是人们从生物行为中得到启发,与计算机技术相结合用于解决现实生活中遇到的复杂问题的方法,具有容易理解、易于实现等特点,已在很多领域得到了广泛应用,本文的研究是针对沙尘暴预测进行的,是对其应用领域的拓展。沙尘暴的频繁发生给人类的生活和社会生产带来了巨大危害,沙尘暴的预测问题早就引起了研究者的关注,目前已出现了将支持向量机分类器应用到沙尘暴预测中的研究,但对支持向量机参数的选取仍停留在依靠经验手动调节的水平上,影响对沙尘暴预测的准确率。在以上研究背景下,本文首次将遗传算法、粒子群算法引入沙尘暴的预测模型——RBF核支持向量机参数优化过程中,对以遗传算法、粒子群算法为代表的群智能优化算法进行了进一步的研究。本文所作的主要研究工作如下:1.对遗传算法和粒子群算法进行了进一步的分析,并分别运用遗传算法和粒子群算法对支持向量机的参数进行了优化。仿真结果表明粒子群算法具有比遗传算法更好的性能。2.对粒子群算法进行了收敛性分析,得出了使得算法收敛其参数之间满足的条件,在此基础上提出了粒子群算法的改进算法。针对粒子群算法容易陷入局部极值点的缺点,在迭代之初选用比较大的惯性权值,随着迭代的进行惯性权值线性减小,保证了算法在开始时进行的是全局搜索,在后期进行的是小范围的局部搜索。学习因子的设定在满足收敛条件的约束下进行。仿真结果表明:改进粒子群算法具有更好的全局收敛性,寻优准确率提高。本文实现了运用智能优化方法对支持向量机的参数进行寻优,提高了沙尘暴预测的准确率,推动了群智能研究的发展。