蜘蛛猴算法(Spider Monkey Optimization,SMO)是受蜘蛛猴觅食行为启发提出的一种群集智能优化算法。

该课程是目前讲解SVM的最详细的课程，详细的讲解了SVM的数学推导过程，SMO算法的数学推导过程，并根据最终推导的公式使用python原生代码进行了实现，公式与代码一一对应。把最难理解的SVM讲解的非常透彻。

结合《统计学习方法》以及一些资料，写出自己对SVM算法的理解，并且用Python+Numpy实现了SMO算法

本程序是参考了 http://research.microsoft.com/en-us/um/people/jplatt/smoTR.pdf及多个博客完成， 数据验证正确，实验结果直观。

这个是SMO算法的完整实现的java代码

实现了拉格朗日，KKT条件SVM判断，通过SMO算法求得最佳aplpa。文件夹包括数据，*.py,*.ipynb文件

袁雷书上缺失PLL的仿真，这里补上。本simulink仿真（已经转为MATLAB2016a文件）是在传统SMO+反正切函数的大框架下对反正切函数进行PLL的替换，主框架保持不变（仍然采用continue仿真）。同时把PMSM模型改成Aligned with phase A axis,这样把输出位置减pi/2去掉，以便为后面实验验证打下基础。

newyork.osm.pbf

顺序最小优化（SMO）算法是现今求解支持向量机（SVM）的最优秀算法之一，其效率直接影响到SVM的训练效率。为提高SVM的训练效率，提出了一种间隔值辅助的SMO改进算法。通过一定量的经验性实验，统计总结出了间隔值随迭代次数变化的规律，即该变化呈铰链函数形态，起始阶段下降很快，经过一小段缓慢变化期后进入间隔值几乎无变化的水平区域。由此，提出并实现了SMO改进算法，通过跟踪间隔值随迭代次数的变化率，待越过拐点一小段时间后终止算法以缩短SVM训练时间。对比实验以及k分类的交叉验证（k-CV）证明，改进后的SMO算法在保持原有算法的模型预测能力的基础上，能够产生至少45%的效率提升。

在序列最小优化（Sequential Minimal Optimization，SMO）算法训练过程中，采用标准的KKT（Karush-Kuhn- Tucker）条件作为停机准则会导致训练后期速度下降。由最优化理论可知，当对偶间隙为零时，凸二次优化问题同样可以取得全局最优解。因此本文将对偶间隙与标准KKT条件同时作为SMO算法的停机准则，从而提出了改进停机准则的SMO算法。在保证训练精度的情况下，提高了SMO算法的训练速度。通过对一维和二维函数的两个仿真实验，验证了改进SMO算法的有效性。