在支持向量机模型的求解中，我们用到了SMO算法来求解向量α。
那么什么是SMO算法？在讲SMO算法之前。我们须要先了解下面坐标上升法。
1、坐标上升法
如果有优化问题：
W是α向量的函数。利用坐标上升法（当然，求目标函数的最小时即为坐标下降法）求解问题最优的步骤例如以下：
算法的思想为：每次仅仅考虑一个变量进行优化，将其它变量固定。这时整个函数能够看作仅仅关于该变量的函数，能够对其直接求导计算。
然后继续求其它分变量的值，整个内循环下来就得到了α的一组值，若该组值满足条件。即为我们求的值，否则继续迭代计算直至收敛。一个示意图例如以下：
如图为一个二次椭圆曲线的等高线，变量维数为2，初始值在点（2，-2），可见其优化路径为折线式前进，由于算法每次仅仅在一个方向上对函数进行优化。
2、SMO算法
在讲支持向量机求目标函数最优时，通过求解对偶问题转换为求解目标函数对α的极大值，例如以下：
当中C为惩处系数，α为要求的变量，每一个分量α_i 相应一个样本点(x_i,y_i),变量数为样本点容量N。
能够看到优化问题与上面提到的坐标上升法非常类似。參考上面讲到的坐标上升法，我们也能够选择向量α的一个变量，将其它变量固定进行优化。但与上面不同的是。该处优化问题包括了约束条件，
变量必须满足等式约束
，所以考虑每次选择两个变量进行优化。
不失一般性，将设选择的两个变量为α_1，α_2，其它变量α_i (i=3,4,…,N)是固定的。
于是优化问题的子问题能够写作：
由于我们选择除α_1。α_2以外的变量固定，故可令
，
则约束条件改写为：
当中，y为类标签，值为±1，所以α_1 与α_2能够表示为：
以
为例，目标函数的约束域例如以下：
直线被约束条件0≤α_i≤C约束在了一个C×C的正方形中。
从图中能够看出，最优问题的子问题是求在正方形内的线段上的最优值。
这使得两个变量的最优化问题成为了实质上的单变量的最优化问题，最好还是设为变量α_2的最优化问题，由不等式约束可得α_2的取值范围：
L,H分别为正方形区域内线段的端点值。
引入符号：
表示对输入x_i的预測值和真实输出y_i之差
φ(x)是输入空间到特征空间的映射。
由条件：
将α_1代入最优子问题的目标函数
。得到仅仅包括α_2的函数，对α_2求偏导并令其为0 ，可得
的值。
new,unc表示求偏导后还没加取值范围[L,H]时的值。称为未剪辑值。
加上取值范围约束进而得到
的值，再而得到
。
α_2。α_1 的更新值例如以下：
当中，new表示更新后的值，old表示更新前的值。
若α值满足停止条件，则α即为我们求的近似解。
否则又一次扫描选择两个变量继续迭代计算直至满足停止条件。
3、变量的选择
如今的问题就是怎样选择两个变量构造最优子问题。
SMO採用启示式选择方法选择变量。所谓启示式，即每次选择拉格朗日乘子时。优先选择前面样本系数中满足条件0<α_i < C的
α_i作优化，不考虑约束条件中相等的情况是由于在界上的例子相应的系数α_i 一般都不会改变。
通过启示式搜索找到第一个变量。那么第二个应该怎样选取呢？由于要考虑算法的收敛性。第二个变量显然不是随便选的。实际上由Osuna定理，仅仅要选择的两个变量中有一个违背KKT条件。那么目标函数在一步迭代后值就会减小,而且我们希望找到的α_2 在更新后能够有足够大的变化。
由上面
的公式能够看出，其值依赖于
，当α_1 确定后E_1也就确定了，因此在给定第一个变量的初始值α_i=0后，对输入例子循环遍历，找出违背KKT条件中使最大的例子点的系数作为α_2。
在特殊情况下，通过以上选择的α_2 不能使目标函数有足够的下降。那么採用下面启示式规则继续选择α_2：
遍历在间隔边界上的支持向量点，依次将其相应的变量作为α_2 试用，直到目标函数有足够的下降。若找不到合适的α_2，那么再遍历训练数据集寻找
若仍未找到。则放弃第一个α_1，又一次选择α_1 。
在α_1，α_2 完毕一次更新后，还须要对阈值b进行更新，b的更新能够通过KKT约束条件：
计算得出。
以上介绍了SMO算法的思路和大概流程。没有对算法的推导及实现上的细节做具体的介绍，大家有兴趣想要深入了解SMO的话。能够看Andrew ng的支持向量机视频和John C.Platt的《Sequential Minimal Optimization A Fast Algorithm for Trainning Support Vector Machines》。