基于粒子群算法在认知无线电网络Crowdsensing任务分配

抽象

认知无线电技术允许未授权用户利用许可的无线频段，如果无线频谱是由授权用户使用。因此，之前未授权用户访问无线频谱的频谱感测，应进行。由于移动终端诸如智能电话是越来越智能化，它们可感测的无线频谱。频谱感测任务被分配给移动智能终端的方法被称为众包。对于一个大型的区域，我们提出了众包模式来分配移动用户的频谱感知任务。传感任务分配是由一些因素，包括剩余能量，位置和移动终端的成本影响。考虑到这些限制，我们设计了一个精确的传感效果功能与本地约束，旨在最大限度地地址crowdsensing任务分配这个感应效果。crowdsensing任务分配的问题很难解决，因为我们证明它是NP难。我们设计了一个基于粒子群算法来解决这个问题的最佳算法。仿真结果表明我们的算法，实现了比其它算法更高的性能。

1.简介

近年来，无线流量增长了巨资和这种情况下导致人群的无线频谱。根据目前的政策，即无线频谱的分配是固定的，只有授权的用户可以利用该许可的无线频段。尽管无线频谱处于闲置状态，未授权的用户不能使用空闲频谱。因此，频谱分配的当前策略导致无线频谱利用率的低比率。为了解决这个问题，认知无线电最近出现提高无线频谱利用率[1]。当许可的无线频谱闲置时，认知无线电使未许可的用户利用该无线频谱。因此，未经授权的用户在使用无线频谱之前应该进行频谱感知。

与移动终端如智能手机和垫的发展，一个新的范例被叫移动人群感测和计算（MCSC）出现[2]。新感测的范例，它使普通公民有助于从他们的移动设备和感测到的聚集体或生成的数据，并在云中人群情报提取和人为中心的服务提供熔断器中的数据：MCSC的正式定义描述如下。

受MCSC启发，利用配置有传感器的移动终端来完成频谱感知任务。基于同样的精神，美国联邦通信委员会(FCC)最近裁定，次级电视频谱用户可以使用地理定位数据库来获取可用频谱，假设存在一个基于众包的融合中心(FC)。FC向移动用户分配感知任务，并接收移动用户的感知数据。为了激励移动用户执行感知任务，FC需要提供货币收益。这种方式被称为众包。

在本文中，我们提出了众包模式来分配频谱感知任务给多个移动用户。假设有一个基于众源的融合中心(FC)。FC将感知任务分配给移动用户。在分配过程中，我们考虑了一些因素。首先，剩余的能源对手机用户来说非常重要。只有当移动用户有足够的能量时，无线频谱才能被感知。然后给予移动用户进行频谱感知的激励。在有限的预算下，FC可以选择整个移动用户的子集进行频谱感知。最后，移动用户的位置也会影响感知结果。考虑到这些因素，我们提出了精确的感知效果函数用于基于众源的感知任务分配。 And the objective function considers a local constraint. Then we prove that the sensing task assignment is NP-hard. Therefore, we design an optimal algorithm based on particle swarm optimization (PSO) to solve the problem. Simulation results show our proposed algorithm achieves higher performance than other algorithms.

本文研究了传感任务分配问题。本文的主要贡献总结如下。(我)考虑移动用户剩余能量、预算约束和移动用户的位置，提出了具有局部约束的精确目标函数。我们定义了局部约束，即信道在某一位置的感知效果不小于阈值。与其他文献相比，我们的目标是在满足局部感知约束的同时，最大化全局感知效果。并证明了传感任务的分配是np困难的。（ⅱ）由于传感任务分配是NP难的，我们设计了一种基于粒子群优化（PSO）优化算法来解决这个问题。据我们所知，有没有相关的工作设计基于PSO算法解决认知无线电网络中感知任务分配。(3)仿真结果表明，该算法比其他算法具有更高的性能。

本文的其余部分组织如下。中科2，介绍了相关文献。中科3.，感测任务分配的系统模型进行说明。中科4在此基础上，设计了一种基于粒子群算法的传感任务分配算法。中科5，该算法与仿真结果进行评估。最后，结论显示在第6。

2.相关工作

在认知无线电网络，许可用户活动将决定频谱是否空闲与否[3.]。由于阴影和多径衰落等因素会导致用户误读感知结果，为了提高感知精度，提出了协同频谱感知[4]。

关于协同频谱感知的相关文献有很多。在宽带无线系统中，用户可以交换压缩感知结果。根据感知结果，他们协同估计谱态[5]。在[6]，作者提出了一个两级的防御方案，以解决在协作频谱感知袭击者。在[7]，基于众包合作频谱感知进行研究，以解决恶意移动用户带来的安全问题。在[8]，作者考虑了用户的同时感知和传输，并提出了一种新的检测模型的合作频谱感知。在多信道网络中，并行考虑感知任务的分配，并提出了几种基于网络参数的感知策略对用户进行调度[9]。在[10]，作者提出了一种基于认知无线传感器网络中用户信道感知结果的博弈论分布式功率控制机制。为了最大限度地提高传感质量，作者研究了多通道系统中多通道传感的分配问题[11- - - - - -13]。这些文献用最简单的目标函数，没有预算约束。如果系统具有有限的预算，可能存在仅选择以进行频谱感测的移动用户的子集。在[14]，考虑到预算约束，作者研究传感任务和信道分配的问题。然而，移动用户的能量不考虑。在[15，考虑到传感任务的特点和传感器的可用性，作者研究了多任务分配问题，以最大化整体系统效用。首先研究了不同的数据质量指标，制定了考虑各参与者不同感知能力约束的多任务分配优化问题。为了达到接近最优的目标，使用两阶段离线多任务分配框架的方法需要来自电信运营商的历史呼叫数据。

上述文献中使用集中的算法。大约有频谱感知一些分布式的方法。在[16]，以一种分布式的方式，空间频谱感知研究利用空间频谱机会。为了分析空间频谱感知的性能，采用了随机几何方法。在[10]的基础上，用户的信道感测结果，一个博弈论分布式动力控制机构提出。此外，还有约频谱感知其他研究17- - - - - -20.]。

3.系统模型

假设有一个基于众源的融合中心(FC)。FC将感知任务分配给移动用户。剩余能量和移动用户的位置，以及预算有限，可能会影响分配过程。考虑到这些限制，我们提出了精确的感应效应函数与当地约束。然后，我们证明了传感任务分配是NP难。

3.1。问题描述

我们假设有需要被检测许多位置。在每个位置，有许多在需要感测通道。通过crowdsensing任务分配，我们的目标是最大限度地与当地的约束检测效果。

让表示所需要的位置的数目要被感测和表示应该在的位置处被感测的信道数。在位置、阴影、多径衰落等问题可能会影响该位置不同位置移动用户的感知结果。换句话说，由于移动用户所处的位置不同，在同一位置可能会得到不同的感知结果。因此,位置可分为几个子位置。移动用户在不同子位置的感知结果可以捕捉到空间多样性。在一个sublocation的位置, 表示至少有一个移动用户感知通道, 表示不存在移动用户感知通道。在位置,让表示子位置处的信道数被至少一个移动用户感知。我们可以推出 ,在那里表示位置子位置的数量。显然,高是，更有效的感测结果是。什么时候等于零时，没有感应效果。什么时候=时，达到最大化的感测效果。我们可以最快的速度可想而知，传感效应增强增加的时候是小，而感应效果缓慢增加增加的时候很大。让 表示信道的感测效果在位置。然后我们可以设计用于群体传感任务分配的传感效果函数如下: 在哪里的非负权数 ,可以区分在每个位置感测通道的重要度。根据式（1)时，感知效应函数增大从0变到。而较小是，更快的感测与所述效应功能的增加增长。更大的感测效果函数随时间增加越慢增长。

为了获得最佳的传感效果，我们的目标是使(1）与本地约束，这意味着通道的感测效果在位置不小于阈值。局部约束可以描述为

有应考虑如下一些因素。

对于移动用户，首先要考虑剩余能源。只有当移动用户的剩余能量大于阈值时，移动用户才能执行频谱感知任务。让为剩余能量的归一化阈值，K表示所有移动用户的集合，和成为移动用户的剩余能源。那么能量约束可以表示为

让指示需要被感知的位置的数目。对于一个位置，仅在该位置的移动用户可感测位置范围内的信道。我们假设一个移动用户只能感觉到一个通道。在位置,让表示该组的移动用户，表示移动用户的数目，和表示应该被感知的通道的数量。对于移动用户 , 表示通道由移动用户感测到的和 表示通道是否被移动用户感知。然后考虑到移动用户只能感测一个信道，另一个约束可表示为

此外，该奖励计划允许FC为尝试感知频道的移动用户付费。然而，众包感知的成本必须在可接受的范围内。让为传感用户所能支付的最大成本是移动用户的成本 。约束可以表示为

众感知任务分配的最优对象为

数字1描绘crowdsensing任务分配的例子。有两个位置，并在系统中三个通道。每个位置分为三个sublocations。在不同sublocations移动用户可能获得大约相同的信道不同的感测结果。由于本地约束没有满足或剩余能量是不够的或者成本太高，一些移动用户未分配传感任务。其他用户根据式分配信道以感（6)。

3.2。NP-硬度

crowdsensing任务分配的问题很难解决，因为我们证明这个问题是NP难。其原因是，crowdsensing任务分配的问题是很难，因为最大覆盖问题是NP难[21]。

最大覆盖率问题描述如下:给定一个数字和集合集 ，最大覆盖问题是选择最多这些集形式使元素的最大数量被覆盖:

定理1。crowdsensing的任务分配问题是np困难的。

证明。通过给出了众感任务分配与最大覆盖问题同样困难的一个特例，证明了众感任务分配问题是np困难的。
的特殊情况下被描述为如下：每个移动用户具有足够的能量来进行频谱感测中，本地阈为0，表示满足局部约束，众感代价在可接受范围内。有移动用户和系统中的位置。在每个位置，都有应该被感知的通道。表示每个移动用户 。然后移动用户可以形成集等, , 。让非负重量是一个常数。然后(6）可以被改写为 让平等的和平等的。方程(8）装置选择集从套最大化的总和 。(相比7)，它至少和最大覆盖问题一样难，最大覆盖问题是np难。换句话说，crowdsensing任务分配的特殊情况是NP-hard。
crowdsensing任务分配的问题并不比特殊情况下更容易。因此，crowdsensing任务分配的问题是NP难问题。

4.基于粒子群算法的优化算法

由于群体感知任务分配问题具有np困难，因此在本节中我们设计了基于粒子群优化算法(PSO)来解决该问题。PSO算法擅长于NP-hard问题的优化[22]。首先对粒子群算法进行了描述。然后提出了基于粒子群算法的优化算法。并分析了时间复杂度。

4.1。PSO算法

在PSO算法中[23，每个粒子以一定的速度在搜索空间中飞行。在飞行过程中，粒子会与同伴一起改变飞行体验。因此，基于这种机制，每个粒子都可以飞到更好的解区域。让表示粒子速度，表示粒子的位置。质点的运动描述如下: 在哪里为惯性权值，表示该粒子的历史最佳位置，代表全球最佳位置。都和是独立的范围 ,都和是考察的因素。惯性权重通过一系列的应用，使算法的性能得到了提高。公式(9)和(10)分别计算当前粒子的速度和位置。

4.2。基于粒子群算法的众感任务分配算法

设计了一种基于粒子群算法的优化算法来解决群体传感任务分配问题。根据粒子群算法，每个粒子的位置代表了群体传感任务分配问题的一种解决方案。它可以用一个矩阵表示:

当有在位置渠道 ，感测信道的总数为在所有位置。让表示移动用户数量。每个粒子被定义为a 矩阵,在那里 表示移动用户选渠道感觉, 表示移动用户不选择频道感觉。

基于粒子群算法(PSO- cta)对群体传感任务分配进行了优化。优化算法描述如下。初始化粒子随机分布，每个粒子表示众感任务分配的一个解移动用户。然后我们设定的最高目标函数的粒子根据公式（6）是当前最好的解决办法。根据PSO算法，我们使用PSO公式（9)将分配的众感任务合并并确定新的粒子位置，直到其收敛或该群体获得最长的生命周期。当PSO-CTA收敛时，可以得到最优解。提出的算法描述如下。

初始化。要解决的第一个重要的问题是如何算法最初产生的粒子。我们产生一个随机粒子如下。

对于移动用户，其剩余的能量应首先考虑。如果它的剩余能量高于阈值，移动用户可以进行频谱感知的任务。然后它选择一个通道在其相应的位置随机地感测。所有移动用户提供足够的能量，选择这样的渠道。如果在检测效果的局部约束（2)在每个位置都得到满足时，接下来应该考虑成本。否则，这个粒子应该再次生成。当移动用户进行频谱感知的代价低于最大代价时时，初始化过程完成。当移动用户进行频谱感知的代价高于最大代价时时，FC不会将感知任务分配给某些移动用户以满足成本约束。首先，当同一子位置有多个用户感知到一个信道时，FC只会选择成本较低的用户来分配感知任务，而放弃其他用户。根据我们的模型，传感效果不会改变。如果满足成本约束，则完成初始化。否则，FC将继续放弃子位置中权重较小的用户，直到满足成本约束。然后一个 矩阵与这个粒子相对应。

初始化粒子随机分布，每个粒子表示众感任务分配的一个解移动用户。

优化过程。移动用户的每一个频谱感测实例后，它的能量将降低。移动用户应确定其剩余能量满足能量约束。如果它的剩余能量是高于阈值时，移动用户能够再次执行频谱感测。如果其剩余能量低于阈值，则移动用户无法从现在开始进行频谱感测。每个粒子中，如果一个移动用户的能量是不够的，执行频谱感测中，用户的行矢量在相应的矩阵设置为零。然后，颗粒的基质将发生变化。

根据当前矩阵，得到粒子的众感效应函数如下(1)。计算所有粒子的效果功能之后，我们可以得出一个粒子的历史最佳位置以及全球最佳位置。最佳位置对应最大化众感效果函数。

根据粒子的历史最佳位置以及全球最佳位置，我们合并矩阵来优化感知任务分配。让T₁表示粒子的电流矩阵，T₂和T_3.表示粒子和全局最优解的历史最佳解决方案，分别。合并矩阵可以被描述为组合T₁,T₂,T_3.。然后优化归并矩阵如下。

在合并矩阵，如果在sublocation一个信道由多个用户感测到的，具有较高的能量只有一个用户被保留，并且其他用户正在放弃。这意味着只有一个元件被在优化后的合并矩阵的列向量设置为1。如果用户选择不同的渠道来感测T₁,T₂,T_3.，有超过在合并矩阵的行向量设置为一个元件。考虑到PSO的全球性质，我们优化与特定的概率合并矩阵由参数决定的行向量（9），以保证搜索空间。如果移动用户在这三个矩阵选择不同的信道，则用户将选择信道T₁基于概率 ，选择通道T₂基于概率 )，并选择通道T_3.基于概率 )。这意味着只有一个元件被在优化后的合并矩阵的行向量设置为1。该算法的搜索空间和收敛速度可以通过调整的值来调整,,。

在算法中描述了所提出的用于群体传感任务分配问题的算法1,2,3.。

4.3。时间复杂度分析

提出的PSO-CTA算法的复杂度计算如下:计算复杂度为 在初始化阶段，其中表示移动用户的数目，表示信道的数量，和表示粒子数。

排队的算法1，优化算法中描述的传感任务分配3.控制了我们算法的复杂性。然后重点讨论了优化传感任务分配的计算复杂度。在粒子中，移动用户满足的公式(2), (3.), (4)和(5)，并将所选择的移动用户进行组合，得到最大化的感知效果函数。因此，粒子的复杂性是 。所有粒子的复杂性是 在评估感测效果功能的阶段。

当粒子更新自己的速度和位置，计算复杂度 行() - ()的算法1。因此，整个算法的计算复杂度为 。

5.仿真结果

通过仿真对提出的PSO-CTA算法进行了评价。通过运行算法100次得到平均解。我们将PSO-CTA算法与[14]。仿真参数如下所述。有需要被检测的一些地点，用相同的半径。每个位置被等分为3个sublocations。信道的整个数量是 。局部阈值设置为0.57。的非负权数对于每个信道，并且每个位置相同。移动用户在任意位置部署。

数字2显示在50个移动用户时，位置数量在15 - 40个之间的众感效应结果。成本价值选择从 。最大成本为 ,在那里分别等于0。6和0。8。钍的归一化能量阈值设定为分别为0.2和0.5。可以根据获得的crowdsensing效应函数（1)。该函数反映了传感效果，其值在0到1之间。值越接近1，检测效果越好。相比于在DRA算法[13]和[14，我们提出的PSO-CTA算法实现了更高的众感效果功能。随着位置数量的增加，众感效应函数减小。原因是位置越多，子位置就越多，固定数量的移动用户无法感知所有子位置。当Th = 0。2时= 0.8时，得到的众感效应函数高于时的众感效应函数和同样的价值，因为有更多的移动用户分配到感应频道 和 。

数字3.显示了20个地点时移动用户数量在20 - 70之间的众感效果结果。成本价值选择从 ,在那里表示移动用户数量。最大成本为 ,在那里分别等于0。6和0。8。归一化能阈值被设置为分别为0.2和0.5。相比于在DRA算法[13]和[14，我们提出的PSO-CTA算法实现了更高的众感效果功能。随着移动用户的增加，crowdsensing效果功能的数量增加。其原因是，越来越多sublocations可以通过更多的移动用户进行检测。什么时候= 0.2和= 0.8时，得到的众感效应函数高于时的众感效应函数和同样的价值，因为有更多的移动用户分配到感应频道 和 。

数字4显示了当有50个移动用户随机部署在15个位置时，随着频谱感知实例数量的增加，移动用户的平均剩余能量。假设每个用户的初始平均能量为0.6。在每一次频谱感应之后，移动用户的能量会下降0.5%。归一化能阈值分别设置为0.5和0.3。如图所示4，与其他算法相比，我们提出的PSO-CTA算法获得了更高的移动用户剩余能量。可以看出，当的阈值为时，剩余的能量会更高设置为较高的值。

假设有4个通道和3个位置，这些位置可以分为3个子位置。每个通道的非负权值并不相同。我们将这四个通道的权重设置为0.3、0.3、0.3和0.1。在上述条件下，第四通道(权值为0.1)的局部传感效果如图所示5。当系统中用户数量较少时，预算算法和DRA算法由于权重太小而无法提高全局感知效果，因此不检测第四通道。在提出的PSO-CTA算法中，由于设置了局部约束，需要检测第四个通道。任何通道，无论其权值是多少，都需要检测。因此，PSO-CTA算法不会省略任何通道。

当有40个用户，图6示出了用于第四通道作为位置的数目增加本地感知效果。不会有足够多的用户感知各信道，如果位置的数量增加。因此，预算算法和DRA算法可以选择权重较高的渠道，以提高全球传感效果。因此，用于第四通道的本地感知效果将降低。然而，所提出的PSO-CTA算法不会忽略第四通道，由于局部约束。

6.结论

对于大型区域，本文提出的方法众包的频谱感测任务分配给许多移动用户如智能手机和垫。考虑到一些制约因素，如剩余能量，位置和移动用户的成本，我们提出了一个局部约束传感效果功能，旨在最大限度地提高感应效果功能。由于传感任务分配的问题被证明是NP难的，我们设计了一种基于PSO来解决这个问题的最佳算法。仿真结果表明我们的算法，实现了比其它算法更高的性能。

的利益冲突

作者声明，本论文的发表不存在任何利益冲突。

致谢

本研究部分由国家自然科学基金(no. 8)资助。61402270)，山东省自然科学基金(编号:BS2015DX003, ZR2014FQ009)，山东省重点研发项目(编号:2017GGX10142)，国家博士后科学基金(no. 81002);2014 m561930)。

参考文献

1. J. Mitola III和G. Q. Maguire Jr.，《认知无线电:让软件无线电更个性化》，IEEE个人通信第6卷，no。4, 1999年第13-18页。视图:出版商的网站|谷歌学术搜索
2. 郭斌，王振华，余振华等，“移动人群感知与计算:对新兴的人力感知范式的回顾”，ACM计算调查卷。48，没有。1，第7条，2015年。视图:出版商的网站|谷歌学术搜索
3. Y.萨利姆和M. H. Rehmani，“主要无线电用户的活动模式的认知无线电网络：一项调查，”杂志的网络和计算机应用，第43卷，第1-16页，2014。视图:出版商的网站|谷歌学术搜索
4. T.Yücek和的H.Arslan“的频谱感测算法认知无线电应用的调查，”IEEE通信调查和教程第11卷，no。1，第116-130页，2009年。视图:出版商的网站|谷歌学术搜索
5. F.曾，Z.田和C.李，“分布式协同多跳认知网络压缩宽带频谱感知，”在2010 IEEE通信国际会议论文集(ICC 2010)2010年5月，zaf。视图:出版商的网站|谷歌学术搜索
6. “在认知无线电自组网中支持安全频谱传感数据传输对抗SSDH攻击”，冯，陆，王，和X. Wang，“杂志的网络和计算机应用，第72卷，第140-149页，2016。视图:出版商的网站|谷歌学术搜索
7. R.章，J.章，Y.章，和C.章，“安全的基于众包协作pectrum传感，”在第32届IEEE计算机通信会议论文集，IEEE INFOCOM 2013， 2526-2534页，2013年4月。视图:出版商的网站|谷歌学术搜索
8. Y.陆，王D.和M. Fattouche，“在通过同时传感和BER测量认知无线电协作频谱感知算法”EURASIP杂志上的无线通信与网络卷。2016年，没有。1，文章没有。136，2016。视图:出版商的网站|谷歌学术搜索
9. C.-H刘A. Azarfar，J.-F.Frigon，B.酸素，和D Cabric“在多通道动态频谱接入网络的鲁棒协作频谱感测的调度优化，”IEEE移动计算汇刊第15卷第2期8, 2094-2108页，2016。视图:出版商的网站|谷歌学术搜索
10. J. Zhu, D. Jiang, S. Ba, and Y. Zhang，“基于隐马尔可夫模型的认知无线传感器网络中的博弈论功率控制机制”，Neurocomputing卷。220，第76-83，2017年。视图:出版商的网站|谷歌学术搜索
11. "吉布斯采样器方法在多信道无线网路的最优分布监测"，台北第54届年度IEEE全球电信会议论文集:“激活全球通信”，GLOBECOM 2011，2011年12月。视图:出版商的网站|谷歌学术搜索
12. D.-H。信，S巴什和C.-C.王，“分布式朝着多信道无线网络优化监测网络信道分配，”在IEEE计算机通信会议论文集，INFOCOM 2012， 2626-2630页，2012年3月。视图:出版商的网站|谷歌学术搜索
13. D.-H。Shin和S. Bagchi，“监测多通道多无线电无线网状网络的优化框架，”Ad Hoc网络第11卷，no。3，第926-943，2013。视图:出版商的网站|谷歌学术搜索
14. D.-H。信，S。他和J.张，“为大范围的频谱分析联合检测任务和子带分配，”在第34届IEEE计算机通信与网络年会论文集，IEEE INFOCOM 2015，第433-441，2015。视图:出版商的网站|谷歌学术搜索
15. 王建民，“基于感知能力约束的参与式感知的多任务分配”，国立中山大学信息与信息技术研究所硕士论文2017 ACM计算机支持的协同工作和社会计算会议论文集，CSCW 2017，第1139-1151页，2017。视图:出版商的网站|谷歌学术搜索
16. 陈宏亮，刘丽玲，T. Novlan, J. D. Matyjas, B. L. Ng, J. Zhang，“基于空间频谱感知的设备到设备蜂窝网络”，IEEE无线通讯汇刊第15卷第2期11，第7299-7313页，2016。视图:出版商的网站|谷歌学术搜索
17. “基于无线能量传输的协作非正交多址接入系统的收发器设计”，北京大学学报(自然科学版)。专业的沟通卷。10，没有。15，第1947至1955年，2016。视图:出版商的网站|谷歌学术搜索
18. M.乔，T. Maksymyuk，B. Strykhalyuk和C.-H.町“基于设备到设备的异构无线电接入网络架构用于移动云计算”IEEE无线通信卷。22，没有。3，第50-58，2015年。视图:出版商的网站|谷歌学术搜索
19. 林，J. G.安德鲁斯，A.高希，“蜂窝网络中设备间通信的频谱共享”，IEEE无线通讯汇刊第13卷，no。12, 6727-6740页，2014。视图:出版商的网站|谷歌学术搜索
20. 刘，王，崔，“认知无线电序列周期感知的鲁棒自适应调度”，IEEE通讯选定领域杂志卷。32，没有。3，第503-515，2014。视图:出版商的网站|谷歌学术搜索
21. d . s . HochbaumNP-Hard问题的近似算法， PWS出版公司，马萨诸塞州，1997。
22. J. Kennedy和R.埃伯哈特，“粒子群优化中，”在IEEE神经网络国际会议论文集，第1942至1948年，珀斯，澳大利亚，1995年。视图:谷歌学术搜索
23. R. C. Eberhart和J. Kennedy，“使用粒子群理论的新优化器”，刊于第六届国际上微型机器和人类科学论文集（MHS '95），第39-43，日本名古屋，1995年。视图:出版商的网站|谷歌学术搜索

版权

版权所有翟林波、王华这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。