基于改进PSO算法的LSSVM入侵检测模型
摘 要：在基本PSO算法和线性权重下降PSO算法的基础上，提出一种并行PSO算法，将粒子群分成两组，分别采用不同的惯性权重，各侧重于全局搜索和局部搜索，根据进化代数动态调整两种算法中进化的粒子数。通过仿真实验，证明了并行PSO算法的寻优性能优于基本PSO算法和线性权重下降PSO算法。
关键词：PSO算法； LSSVM； 适应度； 入侵检测
1980年4月Anderson第一次阐述了入侵检测的概念，指出可以使用审计网络数据的方式判断非法入侵的发生[1]。在网络数据的审计中，没有一种确定的函数关系可以鉴别非法入侵。因此引入机器学习的方法，作为入侵行为和网络数据特征之间模型进行函数逼近。
机器学习的方法在入侵检测领域应用广泛，并有较好的检测效果。传统的机器学习算法需要大量的网络数据，而正常的网络数据特征有着小样本、高维数、多变性的特点。支持向量机（SVM）对小样本、高维数的数据有着较好的训练能力，已经被应用于入侵检测[2]。最小二乘向量机（LSSVM）是SVM中的一种，相比SVM有着更快的运行速度。LSSVM惩罚因子C和核函数参数?滓的选择使用网格搜索，耗时且分类精度不高。而粒子群优化（PSO）算法的寻优求解能力较为突出，可以利用PSO算法对LSSVM的相应参数进行选择[3]。
PSO算法中一个重要的参数就是惯性权重w。w较大时,全局搜索能力较强;w较小时,局部搜索能力较强。基本PSO算法采用固定w，搜索的性能和效率不高。参考文献[4]提出了让w随着进化的进行而线性减少的策略，相应的PSO算法称为线性权重下降PSO(LWDPSO)算法。该PSO算法在提高搜索效率的同时有着早熟收敛、陷于局部最优的缺点。本文提出一种改进的PSO算法，即并行PSO算法。该算法将粒子群分成两组[5]进行协同搜索，两组粒子具有不同的w，其中w较大的粒子组侧重全局搜索；w较小的粒子组侧重在w大的粒子组找到全局最优位置的附近区域进行精细搜索。每组都有一部分固定的粒子，其余的粒子根据进化阶段动态分配给两组，通过动态分配粒子保证算法初期以全局搜索为主，后期以局部搜索为主。通过适应度函数的仿真实验，证明了并行PSO算法的寻优性能更优。
选用RBF函数作为核函数:
2 PSO算法
PSO算法源于对鸟类觅食行为的模拟，通过鸟群之间的集体协作使群体达到最优。标准PSO算法初始化产生一群粒子,每个粒子以一定的速度在n维空间里飞行，飞行速度由个体的飞行经历和群体的飞行经历动态调整。X1=(Xi1,Xi2,…,Xin)是粒子i当前的位置，V1=(Vi1,Vi2,…,Vin)是粒子当前的速度，P1=(Pi1,Pi2,…,Pin)是粒子i所经历过的最好位置,在这个位置粒子i拥有最佳适应度。设f(x)为最小化的目标函数，则粒子i的最好位置由下
3 改进PSO算法
