支持向量机(SVM)是在1995年由Vapnik等人提出的。支持向量机来源于统计学理论,并基于结构风险最小化原则。支持向量机与传统的学习方法相比具有避免局部最优解及过拟合等特点,所以在解决非线性、小样本及高位模式识别的问题上有相当大的优势。同时也正因为SVM的这些优点,使越来越多的研究人员开始关注并研究支持向量机的相关问题。通过在相关实践中的研究,研究人员发现支持向量机的参数惩罚因子和核函数,对支持向量机的性能有很大的影响。因此,选择合适的核函数和惩罚因子对支持向量机的性能至关重要。0-1背包是一个典型的组合优化问题,在项目选择、预算控制、资源分配和投资问题等方面都有非常重要的应用,目前针对于求解0-1背包问题的方法有很多种,传统的方法有隐枚举法和分支定界法等方法；人工智能的方法有神经网络和进化算法等优化算法。由于传统方法在求解大规模问题时具有迭代时间长,计算量大的弱点,所以往往人工智能方法能取得较好的效果。蝙蝠算法(BA)是新提出一种的群体智能优化算法。相对于其他的算法,BA算法具有算法结构较简单、鲁棒性好等特点,并且在有效性和准确性方面有明显的提高。但是,由于蝙蝠算法提出的时间较短,所以导致对蝙蝠算法的相关研究还不是十分完善,针对基本蝙蝠算法易陷入局部最优、进化后期收敛速度慢等缺点,通过引入禁忌搜索算法的思想,提出了一种基于基本蝙蝠算法和禁忌搜索算法思想的混合禁忌蝙蝠算法。禁忌搜索算法的思想是模仿人类的记忆功能,通过记忆已搜索的局部最优解的一些对象,并在进一步的迭代搜索中尽量避免搜索到这些对象,从而可以在一定程度上保证探索到不同的有效搜索途径。通过相关的测试实验表明,混合禁忌蝙蝠算法可以提高蝙蝠算法摆脱局部极值点的能力、收敛速度和精度。