在数据挖掘领域中,分类算法是当前研究的一个重要方向。作为一种经典的分类算法,支持向量机在处理非线性、小样本、高维数的问题时有着很大优势。在解决实际问题时,核函数和惩罚参数会影响着支持向量机的分类效果,为了提高其分类效果,提出用启发式算法优化支持向量机。同时,为了克服使用单一的启发式算法在优化支持向量机的过程中出现的易陷入局部最优,不能进行全局搜索的不足,提出基于低偏差序列的GAPSO_SVM算法。为了验证改进的算法的可行性与性能,本文的研究工作主要通过三方面展开,第一,分析与改进传统的启发式算法;第二,分析二分类支持向量机的基本原理与数学建模过程,根据多分类问题,构造出多分类支持向量机。在分析影响支持向量机分类性能的基础上,利用改进的启发式算法选择合适的核函数和惩罚参数,设计出性能优越的支持向量机;第三,选取意图分类数据集,对中文文本作分词、去停用词后,利用Word2vec语言模型提取文本特征、量化文本,最后将量化后的特征作为训练数据,改进的支持向量机作为学习器,从而构造出意图分类的模型。其中,在改进传统的启发式算法工作中,本文提出如下创新点:1.针对遗传算法存在收敛速度慢,易陷入局部最优的问题,为了提高算法的寻优效果,在选择个体时,首先将种群按照适应度大小进行排序,再将种群分成四等分,淘汰适应度最低的一份,然后在剩下的三份中复制适应度最高的一份组成新的种群,从而在保持种群规模不变的情况下,保持物种的多样性。2.针对粒子群算法存在种群多样性差,容易早熟的问题,在初始化种群时,以低偏差序列取代随机数生成初始种群,使得初始种群在空间的分布更加均匀,提高初始粒子的质量。在算法迭代过程中,为了提高算法搜索的规律性,以低偏差序列取代随机参数对粒子的速度和位置进行更新,最后通过引入遗传算法的变异思想,以一定的概率将粒子的位置变异,扩大算法在迭代后期的搜索范围,避免因搜索范围小陷入局部最优,从而提高算法寻优能力。3.在分别改进遗传算法和粒子群算法的基础上,为了结合各自的优点,提高算法的全局稳定的寻优能力,将算法以并行方式结合,在每一次迭代过程中,根据适应度值,确定遗传算法和粒子群算法的全局最优值,通过比较两种算法的全局最优值,得到GAPSO算法的全局极值。最后,通过仿真实验证明改进的启发式算法有更好的寻优能力,基于低偏差序列的GAPSO_SVM算法有着更好的分类效果。