第6章　基于活性膜P系统的CNSMO算法

经过多年的发展，膜计算理论在生物学［1-2］、计算机图形学［3-4］、故障诊断［5-7］、机器人控制［89］、优化算法［10-12］、机器学习［13］以及经济学［14］等领域显示了重要的应用价值。

SVM（support vector machine）的分解算法主要部署在单一机器上，而从大数据工业的角度来讲，分块算法是SVM并行化设计的主要思路，然而该算法精度损失的弱点制约了其在大数据工业上的应用能力。为此，本章受到活性膜P系统基本框架以及进化规则的启发，从而提出了一种基于活性膜P系统CNSMO（classification noises detection based sequential minimal optimization）算法（P systems with active membranes based CNSMO，PAM-CNSMO）作为一个尝试，该算法能明显降低现有SVM分块算法的支持向量损失，获得相对更好的泛化预测能力。在公开数据集上与同类算法的比较中显示了本算法的有效性。

本章首先介绍了基于分类噪声检测的序列最小优化算法，然后基于活性膜P系统构建了基于活性膜P系统的CNSMO算法。最后，通过仿真实验对建立的算法进行了测试，并对实验结果进行了简单的分析。