下载文档原格式
粒子群算法解决函数优化问题1、群智能算法研究背景粒子群优化算法（Particle Swarm Optimization，PSO）是由Kennedy 和Eberhart 在研究鸟类和鱼类的群体行为基础上于1995 年提出的一种群智能算法，其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到优。
PSO算法作为一种新的群智能算法，可用于解决大量非线性、不可微和多峰值的复杂函数优化问题，并已广泛应用于科学和工程领域，如函数优化、神经网络训练、经济调度、模式识别与分类、结构设计、电磁场和任务调度等工程优化问题等。
PSO算法从提出到进一步发展，仅仅经历了十几年的时间，算法的理论基础还很薄弱，自身也存在着收敛速度慢和早熟的缺陷。
如何加快粒子群算法的收敛速度和避免出现早熟收敛，一直是大多数研究者关注的重点。
因此，对粒子群算法的分析改进不仅具有理论意义，而且具有一定的实际应用价值。
2、国内外研究现状对PSO算法中惯性权重的改进：Poli等人在速度更新公式中引入惯性权重来更好的控制收敛和探索，形成了当前的标准PSO算法。
研究人员进行了大量的研究工作，先后提出了线性递减权值( LDIW) 策略、模糊惯性权值( FIW) 策略和随机惯性权值( RIW) 策略。
其中，FIW 策略需要专家知识建立模糊规则，实现难度较大，RIW 策略被用于求解动态系统，LDIW策略相对简单且收敛速度快，任子晖，王坚于2009 年，又提出了基于聚焦距离变化率的自适应惯性权重PSO算法。
郑春颖和郑全弟等人，提出了基于试探的变步长自适应粒子群算法。
这些改进的PSO算法既保持了搜索速度快的特点, 又提高了全局搜索的能力。
对PSO算法的行为和收敛性的分析：1999 年采用代数方法对几种典型PSO 算法的运行轨迹进行了分析，给出了保证收敛的参数选择范围。
在收敛性方面Fransvan den Bergh引用Solis和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局优解，甚至于局部优解；证明了保证收敛的PSO算法能够收敛于局部优解，而不能保证收敛于全局优解。
pso算法的曲线拟合方法
粒子群优化算法（Particle Swarm Optimization，PSO）通常用于全局优化问题，而不是直接用于曲线拟合。
曲线拟合通常涉及调整参数以最小化数据与拟合曲线之间的误差。
如果你想使用PSO 进行曲线拟合，你可以将问题定义为一个优化问题，其中目标是最小化拟合曲线与实际数据之间的误差。
以下是一个简单的使用PSO 进行曲线拟合的步骤：
1. 定义问题：将曲线拟合问题定义为一个目标函数最小化的问题。
目标函数可以是实际数据与拟合曲线之间的误差，例如均方根误差（Root Mean Square Error，RMSE）。
2. 粒子表示：定义粒子表示参数的集合，这些参数是你要调整的曲线拟合模型的参数。
3. 初始化粒子群：随机生成一组粒子，每个粒子表示曲线拟合模型的一个参数组合。
4. 定义适应度函数：将目标函数作为适应度函数，这个函数的值越小表示粒子的拟合效果越好。
5. 更新粒子位置：使用PSO 算法的更新规则，根据当前位置和速度更新粒子的位置。
在这里，位置表示参数的值。
6. 迭代：重复更新粒子位置的步骤，直到达到一定的迭代次数或满足停止条件。
7. 选择最优解：从所有粒子中选择适应度最佳的粒子，它的参数即为曲线拟合的最优参数。
8. 得到拟合曲线：使用最优参数得到拟合曲线，与实际数据进行比较。
这是一个基本的框架，实际应用中需要根据具体问题进行调整和优化。
PSO 的优势在于可以处理高维度的参数空间和非线性优化问题，但它并不总是适用于所有类型的曲线拟合问题。
在某些情况下，其他优化算法，如梯度下降法或遗传算法，可能更合适。
基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合王娟;刘明光【摘要】Magnetization curve was strongly nonlinear function.It was important to improve the accuracy of the magnetization curve fitting for the model of electrical equipment containing ferromagneticmaterial.Therefore,a method of magnetization curve fitting based on PSO-LSSVM algorithm was proposed.The method used particle swarm optimization algorithm to solve the LSSVM parameters selection problem.The simulation results showed that PSOLSSVM algorithm could obtain optimal LSSVM parameters and the magnetization curve used PS0-LSSVM algorithm has high fitting accuracy.%磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要.提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法.该方法用粒子群优化算法解决了最小二乘支持向量机(ISSVM)参数的选择问题.仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高.【期刊名称】《电机与控制应用》【年(卷),期】2017(044)007【总页数】4页(P26-29)【关键词】磁化曲线;最小二乘支持向量机;粒子群算法;曲线拟合;参数优化【作者】王娟;刘明光【作者单位】北京交通大学电气工程学院,北京100044;北京交通大学电气工程学院,北京100044【正文语种】中文【中图分类】TM301.2在对含有铁磁材料的电气设备如变压器、电动机、发电机等进行仿真建模时，一个必须要考虑的问题就是对磁化曲线的准确描述。
粒子群算法在神经网络非线性函数拟合中的应用一、本文研究和解决的问题在自动控制问题中，系统辨识的目的是为了建立被控对象的数学模型。
多年来，控制领域对于复杂的非线性对象的辨识一直未能很好的解决，神经网络所具有的非线性特性和学习能力使其在系统辨识方面有很大的潜力。
为解决具有复杂的非线性、不确定性和不确知对象的辨识问题开辟了一条有效的途径。
基于神经网络的系统辨识是以神经网络作为被辨识对象的模型，利用其非线性特性，可建立非线性系统的静态或动态模型。
理论上，多层前馈神经网络能够以任意精度逼近任意非线性映射。
但传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点，于是设计了基于标准粒子群算法的神经网络非线性函数拟合系统。
二、传统的BP神经网络BP 神经网络即采用误差反向传播算法的网络，是一种至今仍然最为流行的前馈型神经网络模型。
BP 神经网络有很强的非线性映射能力，它能学习和存贮大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程。
只要能提供足够多的样本模式对供给网络进行学习训练，它便能完成由n 维输入空间到m 维输出空间的非线性映射。
BP 学习算法属于误差修正型学习，其关键在于根据误差修正输出层和隐含层的连接权值。
其学习的基本实现方法是基于最小平方误差准则和梯度下降优化方法来确定权值调整法则。
BP网络建模特点：非线性映照能力：神经网络能以任意精度逼近任何非线性连续函数。
在建模过程中的许多问题正是具有高度的非线性。
并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。
自学习和自适应能力：神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。
神经网络的学习也可以在线进行。
数据融合的能力：神经网络可以同时处理定量信息和定性信息，因此它可以利用传统的工程技术（数值运算）和人工智能技术（符号处理）。
粒子群算法原理及其在函数优化中的应用1 粒子群优化（PSO ）算法基本原理1.1 标准粒子群算法假设在一个D 维的目标搜索空间中，有m 个代表问题潜在解的粒子组成一个种群12[,,...,]m =x x x x ，第i 个粒子的信息可用D 维向量表示为12[,,...,]T i i i iD x x x =x ，其速度为12[,,...,]T i i i iD v v v =v 。
算法首先初始化m 个随机粒子，然后通过迭代找到最优解。
每一次迭代中，粒子通过跟踪2个极值进行信息交流，一个是第i 个粒子本身找到的最优解，称之为个体极值，即12[,,...,]T i i i iD p p p =p ；另一个是所有粒子目前找到的最优解，称之为群体极值，即12[,,...,]T g g g gD p p p =p 。
粒子在更新上述2个极值后，根据式(1)和式(2)更新自己的速度和位置。
11122()()t t t t t t i i i i g i w c r c r +=+-+-v v p x p x(1)11t t t i i i ++=+x x v (2)式中，t 代表当前迭代次数，12,r r 是在[0,1]之间服从均匀分布的随机数，12,c c 称为学习因子，分别调节粒子向个体极值和群体极值方向飞行的步长，w 为惯性权重，一般在0.1~0.9之间取值。
在标准的PSO 算法中，惯性权重w 被设为常数，通常取0.5w =。
在实际应用中，x 需保证在一定的范围内，即x 的每一维的变化范围均为min max [,]X X ，这在函数优化问题中相当于自变量的定义域。
1.2 算法实现步骤步骤1：表示出PSO 算法中的适应度函数()fitness x ；（编程时最好以函数的形式保存，便于多次调用。
）步骤2：初始化PSO 算法中各个参数(如粒子个数，惯性权重，学习因子，最大迭代次数等)，在自变量x 定义域内随机初始化x ，代入()fitness x 求得适应度值，通过比较确定起始个体极值i p 和全局极值g p 。
曲线拟合算法在数据分析中的优化与应用在数据分析领域中，曲线拟合算法扮演着至关重要的角色。
曲线拟合算法能够通过将实验数据与理论模型进行拟合，从而揭示数据之间的潜在关系，帮助我们更好地了解数据背后的规律和趋势。
本文将探讨曲线拟合算法在数据分析中的优化与应用。
首先，我们需要了解曲线拟合算法常用的方法。
常见的曲线拟合算法包括最小二乘法、非线性最小二乘法和高斯过程回归等。
最小二乘法是最常用的曲线拟合算法，通过最小化实际观测值与拟合值之间的残差平方和，来寻找最佳拟合曲线。
非线性最小二乘法则是对非线性函数进行拟合，通常需要通过非线性优化算法求解。
高斯过程回归是一种非参数的贝叶斯回归方法，通过高斯过程对未知函数进行建模，并通过贝叶斯推断来估计未知函数的后验分布。
在数据分析中，曲线拟合算法的优化非常重要。
优化算法能够提高曲线拟合的准确性和效率。
例如，针对最小二乘法，可以使用一些基于梯度下降的优化算法，如Levenberg-Marquardt算法和共轭梯度算法，来加速参数估计的收敛速度。
对于非线性最小二乘法，可以选择适当的优化算法来处理非线性问题，如拟牛顿方法和遗传算法等。
此外，还可以考虑使用启发式算法来优化曲线拟合的结果，如粒子群优化算法和模拟退火算法等。
除了优化算法，还有一些技术可以辅助曲线拟合算法的应用。
例如，数据预处理和特征工程可以帮助我们提取有效信息并减少噪声对曲线拟合的影响。
另外，交叉验证技术可以帮助我们评估曲线拟合模型的性能，并选择合适的模型复杂度来避免过拟合。
曲线拟合算法在数据分析中有着广泛的应用。
首先，曲线拟合算法可以用于数据的插值和外推。
当数据缺失或需要预测未来趋势时，我们可以通过曲线拟合算法来填充缺失数据或预测未来数据。
其次，曲线拟合算法可以用于噪声数据的平滑和滤波。
通过拟合平滑曲线，可以去除数据中的噪声，并减少误差对分析结果的影响。
此外，曲线拟合算法还可以用于模式识别和图像处理。
通过将实验数据与理论模型进行拟合，我们可以寻找数据中的规律和趋势，进而用于模式识别和图像处理任务。
粒子群优化算法在工程优化中的应用及使用教程1. 简介粒子群优化算法（Particle Swarm Optimization，PSO）是一种群体智能算法，通过模拟鸟群或鱼群等生物群体的行为来解决优化问题。
PSO算法具有全局优化能力、快速收敛速度和较少的参数设置等优点，因此在工程优化中得到广泛应用。
2. 粒子群优化算法原理粒子群优化算法的基本原理是模拟鸟群等自然界群体行为。
它通过定义一群“粒子”来表示候选解，每个粒子都有一个位置和速度向量。
个体最优（局部最优）是每个粒子所 far引的最优解，而全局最优是整个粒子群中最好的解。
每个粒子通过学习自身的个体最优以及整个群体中的全局最优来更新自己的速度和位置。
3. 工程优化中的应用案例粒子群优化算法在工程优化中有广泛的应用，以下是一些典型案例：3.1 参数优化在工程领域，有许多问题需要调整一组参数以达到最佳效果，如机器学习模型的超参数选择、神经网络参数调优等。
粒子群优化算法可以在大量候选解空间中搜索最佳的参数组合，从而找到最优解。
3.2 电力系统调度电力系统调度是指确定电力系统的发电机组出力和输电系统各回路功率，以实现经济运行和保证电力供应的安全。
粒子群优化算法可以应用于电力系统调度中，通过调整发电机组的出力来降低电力系统的运行成本，提高电力供应的可靠性。
3.3 物流路径规划物流路径规划是指在给定的起点和终点之间找到最短路径，使货物运输距离和时间最小化。
粒子群优化算法可以根据货物种类、路况、运输方式等因素，在复杂的网络地图上寻找最佳的物流路径，提高物流效率和降低运输成本。
3.4 机器人路径规划机器人路径规划是指在给定的环境中，寻找机器人从起点到达目标点的最优路径。
粒子群优化算法可以应用于机器人路径规划中，通过优化机器人的移动路径，使其在避开障碍物的同时能够快速到达目标点。
4. 使用教程4.1 初始化粒子群首先，需要随机生成一群粒子。
每个粒子的位置和速度向量由问题的特定要求决定。
曲线优化算法
曲线优化算法是一类用于找到给定曲线的最优参数或近似最优解的数值优化算法。
这些算法通常用于曲线拟合、曲线求解和曲线优化问题中。
常见的曲线优化算法包括：
1. 最小二乘法：最小二乘法是一种用于曲线拟合的经典算法，通过最小化观测数据和拟合曲线之间的残差平方和来确定最佳曲线参数。
2. 遗传算法：遗传算法是一种模拟自然进化过程的优化算法，通过对潜在解的集合进行变异和选择，逐步优化得到最优解。
3. 神经网络：神经网络是一种基于人工神经元模型的数值优化算法，通过调整网络权重和拓扑结构，训练以拟合给定曲线或解决曲线优化问题。
4. 粒子群优化算法：粒子群优化算法是一种基于群体智能的优化算法，通过模拟鸟群或鱼群的集体行为，优化曲线拟合或曲线优化问题。
5. 模拟退火算法：模拟退火算法是一种模拟金属退火过程的优化算法，通过接受不完全优解，并以一定概率接受劣解，以避免陷入局部最优解。
这只是一小部分曲线优化算法的示例，实际应用中还有很多其
他的算法可供选择，根据具体问题的特点和要求选择适合的算法进行曲线优化。
粒子群算法拟合微分方程粒子群算法（Particle Swarm Optimization, PSO）是一种启发式优化算法，用于寻找函数的最优解。
而微分方程是描述自然现象中变化规律的数学工具。
将粒子群算法应用于拟合微分方程，可以帮助我们找到微分方程中的参数，使得微分方程能够更好地描述实际现象。
首先，我们需要明确微分方程的类型，比如常微分方程或偏微分方程，以及微分方程的具体形式。
然后，我们可以将微分方程的参数视为优化问题中的变量，利用粒子群算法寻找最优的参数组合，使得微分方程的模拟结果与实际观测数据或者预期的行为相匹配。
在应用粒子群算法拟合微分方程时，需要考虑以下几个方面：1. 粒子群算法的参数设置，包括种群大小、惯性权重、加速系数等参数的选择，这些参数的设置会影响算法的收敛速度和最终结果。
2. 目标函数的定义，通常将微分方程模拟结果与观测数据的误差作为目标函数，粒子群算法的目标就是最小化这个误差。
3. 算法的收敛性和稳定性，需要确保粒子群算法能够在合理的时间内收敛到最优解，并且对初始参数的选择不敏感。
在实际应用中，粒子群算法拟合微分方程可以用于各种领域，比如物理学、生物学、工程学等。
通过这种方法，我们可以更好地理解复杂的自然现象，优化工程设计，甚至发现新的科学规律。
总之，粒子群算法拟合微分方程是一个复杂而有挑战性的问题，需要综合运用优化算法、微分方程建模、数值计算等多个领域的知识和技能。
通过合理的参数设置和目标函数定义，以及对算法收敛性和稳定性的考量，可以有效地利用粒子群算法来拟合微分方程，从而得到更准确的模拟结果和参数估计。
粒子群算法在曲线拟合中的应用
摘要：分析了粒子群算法在曲线拟合中的应用，同时对个别不理想的实验数据进行了淘汰，能进行有效的数据处理。
通过具体实例表明该方法实现简单，易于理解，并且还具有很高的可靠性；分析了该算法与最小二乘法的优缺点，证实该算法是曲线拟合的一种有效方法。
关键词：粒子群算法；曲线拟合
曲线拟合是用连续曲线近似地刻画或比拟平面上离散点组函数关系的一种数据处理方法。
传统的曲线拟合方法是用解析表达式逼近离散数据。
随着近几年智能计算等一些非线性理论的发展，曲线拟合已不再局限于解析表达式的拟合理论之内，将非线性理论用于曲线拟合，使传统的方法得到了发展与改进。
在科学研究中，人们经常要进行数据处理，而在处理数据中，人们的兴趣往往不是单个数据，而是全部数据的变化趋势，也就是与数据的背景资料规律相适应的解析表达式约束的曲线拟合。
例如，我们通过对静态吸附实验数据的简单换算得到如表1所示一组数据的。
表1静态吸附实验数据yi(lnk) 2.422.182.051.821.571.430.93 xi(1T)0.002 00.002 20.002 40.002 60.002 80.003 00.003 2在理论上，应得到斜率为m，截距为b的一条线性方程：lnk=m(1/T)+b
（1）以往一般通过手工作图求斜率和截距，但这种方法即不准确也不科学，后来随着科学技术的发展人们逐渐采用最小二乘法和单纯行法来求解，则所求斜率和截距能避免手工作图造成的误差，可信度更高。
但是这两种方法也有其不足之处，例如在用最小二乘法在求解相应问题时，需要求解问题函数的导数。
而在实际问题中，有时候由于问题函数过于复杂，一般很难具体表达其导数，从而影响了最小二乘法在实际中的应用。
而单纯形法虽然没有最小二乘法的缺点但是由于其计算量大，导致在解决大规模问题时效果并不是非常显著。
本文应用粒子群算法来解决这类曲线拟合的一些问题。
1粒子群算法
粒子群算法就是对一个CAS(Complex Adaptive System )系统——鸟群社会系统的研究得出的，粒子群优化算法（Particle Swarm Optimization）最早是在1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出的，其基本思想是受他们早期对许多鸟类的群体行为进行建模与仿真研究结果的启发。
在仿真中，采用了下列3条简单的规则：①飞离最近的个体，以避免碰撞；②飞向目标；③飞向群体的中心。
粒子群算法与其他进化类算法相类似，也采用群体与进化的概念，同样也是依据个体（粒子）的适应度来进行操作。
所不同的是粒子群算法不像其他的进化算法那样对于个体使用进化算子，而是将每个个体看作是在n维搜索空间中的一个没有重量和体积的粒子，并在搜索空间中以一定的速度飞行。
其中飞行速度
由个体的飞行经验和群体的飞行经验共同进行动态调整。
我们可以假设这样的一个场景：一群鸟在随机的搜索食物。
在这个区域中只有一块食物，并且所有的鸟都不知道食物在那里，但是他们知道当前那只鸟距离食物最近，所以找到食物的最简单有效的策略应该是搜索目前距离食物最近的鸟的周围区域。
所以基本粒子群算法的进化方程可以描述为：Vij(t+1)=wvij(t)+c1r1j(t)
-xij(t)+c2r2j(t)pgj(t)-xij(t) （2）
xij(t+1)=xij(t)+vij(t+1) （3）其中：下标j表示粒子的第j维，i表示第i个粒子，t表示第t代，w表示惯性权重，c1、c2为加速常数，通常在0和2之间取值，r1、r2为0和1之间的两个相互独立的随机数，cij表示相应粒子的当前飞行速率，pij 表示相应粒子的历史最佳位置，xij表示相应粒子的当前位置，pgj表示所有粒子所经历的最好位置。
从上述粒子群进化方程公式（2）可以看出，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子飞向全局最好位置方向的步长。
经典的粒子群优化算法的流程如图1所示。
2曲线拟合
在科学实验中，一般能够获得x与y的一组数据对(xI,ri)（i=1,2,…，n），其中各个x1是彼此不相同的，而我们希望由此得到与该组数据对相适应的解析表达式y=f(x,c)来反映x与y之间的相互依赖关系，其中c=(c1,c2,…，cm)为待定参数。
由于实
验条件的限制或者其他客观因素的影响导致每次实验数据与理论值存在着一定程度的误差，为了尽量减少这些误差对实验结果的影响，一般采用曲线拟合的方法。
假设t实验（即i）为实验数据，r理论为理论数据（即根据实验条件给定的参数xi计算得到的数据），目标函数F为所有相应数据的误差之和，如式（4）所示。
F=∑(y理论-y实验）2 （4）当F的值达到最小时，实验数据r实验与理论数据y理论之间的误差之和最小，得到的回归参数值c1,c2,…，cm也是最理想的，但是由于操作失误或者其他原因可能导致个别实验的数据严重偏离绝大部分实验数据的变化趋势，因此需要在曲线拟合时，合理的处理这些不符合变化趋势的数据。
本文利用粒子群优化算法来对实验结果进行曲线拟合，同时在拟合过程中不考虑不符合整体变化趋势的个别实验数据，整个流程如图2所示。
图1粒子群算法的流程图2曲线拟合的流程
在流程图中，在进行曲线拟合中同时对实验数据经行检测，若发现实验数据与理论数据偏差太大，则将该实验数据在曲线拟合时不考虑。
3实验
通过对静态吸附实验数据的简单换算得到如表1所示的一组数据。
在理论上，应得到斜率为m，截距为b的一条线性方程，但是由于每次实验数据与理论值存在着一定程度的误差，为了尽
量使斜率m和截距b与客观值相符合，我们可以通过粒子群算法来拟合这条线性方程，即使式（5）中的值达到最小。
F=∑((mxi+b)-yi)2 （5）也就是使拟合的线性方程与理论的线性方程尽可能的相近，可以将（5）式看作是关于变量m和b的一个函数。
同时也就将原来的曲线拟合问题转化为在一定的区间内求出使F达到最小时的变量和的值的问题。
在Matlab上根据上述方法通过编程可以得到如表2和图3所示的结果，并且处理后的数据不考虑最后一组数据，由图3可以看出其严重偏离整体数据的变化趋势。
表2静态吸附实验结果表yi(lnk) 2.422.182.051.821.571.430.93 xi(1/T) 0.002 00.002 20.002 40.002 60.002 80.003 00.003 2图3在Matlab上运行得到的结果
4结束语
粒子群算法的特点是分散式搜寻（每一个体(称为一个粒子) 都被赋予了一个随机速度并在整个问题空间中移动）、具有记忆性、参数少，易于调整实现，并且个体的进化主要是通过个体之间的合作实现的。
其优点是简单容易实现，没有许多参数需要调整，PSO 可用于求解大量非线性、不可微和多峰值的复杂优化问题，收敛速度快。
但也存在着一定的缺陷，即局部最优性问题，精度不高，容易产生早熟收敛（尤其是在处理复杂的多峰搜索问题中）、局部寻优能力较差等。
本文采用粒子群优化的方法既可以进行曲线拟合，同时也可
以处理那些因操作失误或者其他原因产生较大误差的实验数据。
除此之外，能解决最小二乘法所不能解决的问题，因为它不需要得到所求函数的导数等，应用前景十分广阔。
参考文献：
[1]张春红，熊艰.计算机拟合在化学数据处理中的应用[J].上饶师范学院学报，2007（3）.
[2]崔国华.计算方法[M].武汉：华中理工大学出版社，1996.
[3]阳明盛，罗长童.最优化原理、方法及求解软件[M].北京：科学出版社，2006.
[4]KENNEDY JAMES,EBERHARTRUSSELL. Particle Swarm Optimization[C].IEEE International Conference on Neural Networks Conference Proceedings，1995.
[5]曾建潮，介婧，崔志华.微粒群算法[M].北京：科学出版社，2004.
[6]高尚，杨静宇.群智能算法及其应用[M].北京：中国水利水电出版社，2006.。
