Abstract: Support Vector Machine（SVM） is a machine learning algorithm with good performance.The selection of its parameters has a great influence on its modeling accuracy and generalization performance，and it is an important area in machine learning research.Based on a brief introduction to basic Particle Swarm Optimization（PSO），a new quantum PSO algorithm is presented，as well as its implementation.Performance comparison with classic PSO algorithm is made through 4 benchmark test functions.Based on the proposed quantum PSO，the optimum parameter selection of Least Squares SVM（LS-SVM） is studied.Simulation results show that the presented quantum PSO algorithm can achieve good performance.

Key words: quantum Particle Swarm Optimization（PSO）, Least Squares Support Vector Machine（LS-SVM）, benchmark test, parameter optimization

摘要： 支持向量机是一种性能优越的机器学习算法，而其参数的选择对建模精度和泛化性能等有着重要的影响，也是目前机器学习研究的一个重要方向。在简要介绍基本粒子群优化（PSO）算法的基础上，提出了一种量子粒子群优化算法，给出了其实现方式，并通过4个基准测试函数进行性能对比评价。基于这种量子粒子群优化算法，对最小二乘支持向量机（LS-SVM）的参数优化进行了研究。仿真结果表明，量子粒子群优化算法能给出很好的优化结果。

关键词: 量子粒子群, 最小二乘支持向量机, 基准测试, 参数优化