粒子群优化的神经网络模型在短期负荷预测中的应用

合集下载

改进粒子群优化BP神经网络短期负荷预测研究

改进粒子群优化BP神经网络短期负荷预测研究王瑞;周晨曦;逯静【摘要】为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP 神经网络预测模型.在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数.将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度.【期刊名称】《制造业自动化》【年(卷),期】2019(041)006【总页数】5页(P39-42,77)【关键词】负荷预测;粒子群优化;BP神经网络;适应度值【作者】王瑞;周晨曦;逯静【作者单位】河南理工大学电气工程与自动化学院,焦作 454000;河南理工大学电气工程与自动化学院,焦作 454000;河南理工大学计算机科学与技术学院,焦作454000【正文语种】中文【中图分类】TP180 引言BP神经网络有着较为良好的非线性映射能力、高度的自适应自学习能力、良好的泛化能力，以及容错能力的优点被应用于电力负荷预测中[1,2]，同时也存在着容易陷入局部极小值、收敛速度慢的缺点，对BP神经网络的改进已经成为学者们研究的热点，比如调整自适应学习速率[3]、改进网络结构[4]、引入优化算法[5～7]等。

利用粒子群优化BP神经网络是一种较为常用的方法，利用粒子群优化BP神经网络，可以有效防止BP神经网络陷入局部最优，并加快其收敛速度。

基本粒子群算法寻优速度较快、效率高、算法简单，但也存在自身的缺陷，当算法迭代时，所有粒子都向当前自身最优解、邻域或群体最优解移动，种群搜索空间不断缩小，形成种群快速趋同效应，而此时的最优位置可能只是某一局部搜索空间里的最优位置，搜索陷入局部极值之中，导致早熟收敛，后期种群的多样性难以维持。

基于粒子群优化RP网络短期电力负荷预测方法

基于粒子群优化RP网络短期电力负荷预测方法姚刚;陈政石;李晓竹【摘要】As conventional BP network for the slow convergence and easy to fall into local minimum problem, the use of LM algorithm for network training, the improved particle swarm optimization BP network initial weights and threshold. Application of this method in the text grid in a city short - term load forecasting, showed that compared with conventional BP network, L- M algorithm to improve prediction models. This article describes the results of the prediction algorithm in the prediction accuracy and speed have increased greatly.%针对常规BP网络收敛速度慢，易陷入局部极小值等问题，采用L—M算法对网络进行训练，利用改进粒子群算法优化BP网络初始权值和阈值。

将该方法应用在南方某市短期电网负荷预测中，预测结果表明，相较于常规BP网络、L—M算法改进预测模型，该预测算法在预测结果精度和速度上均有较大幅度提高。

【期刊名称】《广东石油化工学院学报》【年(卷),期】2011(021)006【总页数】4页(P47-50)【关键词】电力负荷短期预测;BP网络;L—M算法;粒子群算法【作者】姚刚;陈政石;李晓竹【作者单位】广东石油化工学院计算机与电子信息学院,广东茂名525000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;广东石油化工学院计算机与电子信息学院,广东茂名525000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TM7340 引言电力系统短期负荷预测是电力调度系统运行中的重要环节,准确进行短期负荷预测能帮助管理人员制定合理的发电计划来保证电网安全、经济运行。

基于优化神经网络的短期电力负荷预测

ｔｏｒｏｆｑｕａｎｔｕｍｐａｒｔｉｃｌｅａｎｄｔｈｅｏｐｔｉｍａｌｐａｒａｍｅｔｅｒｓｏｆＢＰＮＮｗｅｒｅｆｏｕｎｄｂｙｑｕａｎｔｕｍｐａｒｔｉｃｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｉｔｒｈｍｔｏｒｅｄｕｃｅｂｌｉｎｄｎｅｓｓａｎｄｉｎｅｉｃｆｉｅｎｃｙ．Ｌａｓｔｌｙ，ｔｈｅｏｐｔｉｍａｌｍｏｄｅｌｆｏｒｎｅｔｗｏｒｋｔｒａｆｉｆｃｗａｓｂｕｉｌｔａｎｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｍｏｄｅ
ＷＵＧｕｉ－ｆｅｎｇ，ＷＡＮＧＸｕａｎ，ＣＨＥＮＤｏｎｇ —ｌｅｉ
（１．ＣｏｌｌｅｇｅｏｆＥｎｅｒｇｙａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｉｒｎｇ，ＹａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＹａｎｇｚｈｏｕＪａｉｎｇｓｕ２２５１２７，Ｃｈｉｎａ；２．ＹａｎｇｚｈｏｕＢｅｉｅｈｅｎＥｌｅｃｔｒｉｃｌａＥｑｕｉｐｍｅｎｔＣｏ．，ＬＴＤ，ＹａｎｇｚｈｏｕＪａｉｎｇｓｕ２２５１２７，Ｃｈｉｎａ）
第３０卷第１１期
文章编号：１００６ — ９３４８（２０１３）１１－００９５－０５

混合粒子群径向基神经网络的短期负荷预测的应用

ｖｒｅｃｒｃｓｏｆｔａｉＳＯｌｏｉｈａｄｏｅｃｍｅｔｅｄｆｃｆｅｓｌａｌｎｎｏｔｏａｐｔｕ，ｅｇｎｅｐｅｉｉｎｏｈｅｂｓｃＰａｇｒｔｍｎｖｒｏｈｅｅｔｏａｉｙｆｌｉｇｉｔｈｅｌｃｌｏｉｉｇＢａｅｎＨｙｒｄＰａｔｃｅＳｗａｍｈｏｔＴｅｍＬｏｄＦｏｅａｔｎｓｄｏｂｉｒｉｌｒ
ＯｐｔｍｉａｉｎａｄＲａａｓｓＦｕｎｔｏＮｅｒｌＮｅｗｏｋｏｅｉｚｔｏｎｄｉｌＢａｉｃｉｎｕａｔｒＭｄｌ
Ａｂｓｒｃ：Ｔｈｅｕｔｏｈｒ－ｅｍｏｄｆｒｃｓｉｇｉｍｐｒａｔｔｃｎｍｉｅｅｔＩｒｅｏｉｒｖｈｏｔａｔｅｒｓｌｆｓｏｔｔｒｌａｏｅａｔｓｉｏｎｏｅｏｏｃｂｎｆ．ｎｏｄｒｔｍｐｏｅｔｅｃｎ— ｎｔｉ
（西大学电气丁程学院，西南宁５００）广广４０３
摘要：电力短期负荷预测的结果对电力系统的经济效益具有重要影响．了克服基本粒子群为（ａｔｌＳａｍＯｔｚｔｎＰＯ）法收敛精度不高、Ｐｒｃｗｒｐｉａｉ，Ｓ算ｉｅｍｉｏ易陷入局部最优的缺点，出一种将自然提选择和变异结合的混合粒子群（ｙｒａｔｌＳａｍＯｔｉｔｎＨＰＯ）法，ＨｂｉＰｒｃｗｒｐｉｚｉ，Ｓ算ｄｉｅｍａｏ可以保持种群的多样性，有效地避免粒子早熟，并利用混合粒子群算法优化径向基神经网络的权值，最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测．算结果表明，算法收敛速度快，计该并

基于自适应粒子群优化的SVM模型在负荷预测中的应用(1)

第39卷第15期电力系统保护与控制Vol.39 No.15 2011年8月1日Power System Protection and Control Aug. 1, 2011 基于自适应粒子群优化的SVM模型在负荷预测中的应用陆宁1, 武本令2，刘颖 3（1.武汉理工大学自动化学院，湖北武汉 4300702； 2.许昌市高级技术学校，河南许昌 461000；3.武汉供电公司，湖北武汉 430015）摘要：为了提高电力系统短期负荷预测精度，针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题，提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。

经典粒子群算法是一种全局优化算法，在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试，将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。

实例仿真结果表明该预测模型精度高于传统SVM预测模型，具有一定实用价值。

关键词：自适应；粒子群优化；支持向量机；全局优化；负荷预测Application of support vector machine model in load forecasting based on adaptive particle swarmoptimizationLU Ning1, WU Ben-ling2, LIU Ying3（1.School of Automation，Wuhan University of Technology，Wuhan 430070，China; 2. Xuchang Senior Technical School, Xuchang 461000, China; 3. Wuhan Power Supply Company, Wuhan 430015, China）Abstract：In order to improve the precision of short-term load forecasting, and aiming at the parameter selection of traditional SVM in load forecast this paper proposes a new load forecasting model, i.e., using the improved adaptive particle swarm optimization （PSO）for seeking the optimal parameters of support vector machine(SVM) model. The classical PSO is a global optimization algorithm．Based on it, the improved PSO（FAPSO）is proposed and its convergence tests are conducted，and then the SVM model based on the FAPSO optimization is applied to the short-term power load forecasting. The simulation results show that the adaptive particle swarm optimization-based SVM load forecasting model is more accurate than the traditional SVM model and has certain practical value．Key words：adaptive；particle swarm optimization；support vector machine；global optimization；load forecasting中图分类号：TM715 文献标识码：A 文章编号： 1674-3415(2011)15-0043-040 引言电力负荷预测是电力系统日常运行中的一项重要工作。

神经网络在电力系统短期负荷预测中的应用综述

维普资讯
２０年第２０７期
ＺＩＨｌ ⅡＡ电力
５
神经网络在电力系统短期负荷预测中的应用综述
Ａｐｌａｉｎｏｈｒ－ｅｍａｒｃｓｉｇＢａｅｎＡＮＮ：ａＳｖｙｐｉｔｏｆＳｏｔｔｒＬｏｄＦｏｅａｔｎｓｄｏｃｕｒｅ
ｈ。此后，一些学者在此基础上作了一些改进和扩展工作】，提出了ＢＰ模型的自适应训练
能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。一般而言，神经网络理论（Ｎ）用于ＡＮ应
１几种常见的人工神经网络的研究现状
１１Ｂ．Ｐ神经网络
文献【】次提出采用Ｂ１首Ｐ模型进行电力系统的负荷预测。文中研究了用不同的特征量预测不同的负荷。第１是利用预测日当种天的３个气温参数（即最高、最低和日平均温度）测当天的峰值负荷；第２种是利用这３预个温度参数预测当天的总负荷；第３种是利用预测小时前两个小时的负荷和平均温度以及预测小时的预测温度来预测该小时的负荷。模型的预测只限于工作日，不包括周末和假日。由于当时没有对样本数据作适当的预处理，训练时间相当长，一般达到３～７

基于MTS算法的神经网络在短期电力负荷预测中的应用[论文]

基于MTS算法的神经网络在短期电力负荷预测中的应用摘要本文首先利用带有记忆功能的禁忌搜索算法的全局寻优能力训练神经网络，然后将训练好的神经网络用于短期负荷预测。

该方法具有较强的自适应能力和较好的预测效果，是可行有效和实用的。

关键词电力系统神经网络短期负荷预测中图分类号：tm715 文献标识码：a1禁忌搜索算法禁忌搜索算法能够找到函数优化问题的全局最优解。

下面结合函数优化问题来阐述该算法的一般过程。

设有优化问题其中是目标函数，是连续变量，?%r是可行集。

禁忌搜索算法首先随机地初始化一个可行解，记为，用表示到目前为止找到的最优解，用表示当前解，令=，=，同时把存储在一个具有一定长度的称为禁忌表的存储结构里。

接着算法重复以下过程：产生的一个邻域解’（生’的方法有很多，比如从区间[-，+]均匀地产生一个点’作为的邻域解，这里是一个比较小的实数；也可以从一个以为均值，以为均方差的正态分布中产生邻域解’，同样也是一个比较小的实数。

具体的产生办法可以参考[21]），如果产生的’不可行，即’￠?%r，则要重新产生’直至其可行为止。

产生’以后，计算（）和（’）。

若（’）<（），令=，’即’表示到目前为止的最优解，同时令=‘，而该邻域解’进入禁忌表，原禁忌表内存储的点顺序后移，称这种做法为更新禁忌表；否则，若（’）≥（），比较’与禁忌表内存储的所有的点，若’不在表内任意一个点的半径为的范围内（其中’比较小，比如取0.01），此时称’没有被禁忌，则令=‘，更新禁忌表，即’进入禁忌表，表内原来存储的点顺序后移。

若’被禁忌，即’在任意的一个表内的点的半径为的范围内，则重新产生一个的可行的邻域解’，然后重复该过程。

当连续多次没有改进时，可以认为算法搜索不到更好的全局最优解，可以中止算法，最后输出作为优化问题（1）的全局最优解。

2新型神经网络预测模型由于上面提到的具有记忆功能的禁忌搜索算法能够搜索全局最优解，而当训练样本设置好以后，前向神经网络权重的训练完全是一个优化问题，因此可以用禁忌搜索算法训练神经网络。

基于粒子群优化的长短期记忆神经网络电力负荷预测模型

0 引言当今工业化发展趋势愈发强劲，用电负荷随之增加，电力负荷预测在能源管理和电力系统运行中扮演着至关重要的角色。

准确的负荷预测可以帮助电力系统规划者合理安排发电计划、分配能源配置，从而保障实际电力系统的稳定运行，确保供电质量。

然而，由于电力负荷受到季节性变化、天气条件、节假日等因素影响，传统的预测方法难以满足实际需求，因此需要借助先进的计算方法和技术来提高预测精度[1]。

近年来，人工智能和机器学习技术的迅速发展为电力负荷预测提供了新的解决方案。

其中，神经网络被应用于各个行业，主要原因是其能够自动学习数据之间的复杂关系。

长短期记忆（long short- term memory，LSTM）神经网络作为一种具有记忆能力的网络结构，在建模和预测时间序列数据方面得到了广泛的应用，包括股票价格预测、天气预报等领域，并取得了显著的成果[2]。

然而，传统的神经网络模型存在训练收敛速度慢、易陷入局部最优解等问题，从而影响其在电力负荷预测中的应用效果。

为了克服这些问题，本文将粒子群优化（particle swarm optimization，PSO）算法引入LSTM神经网络模型（简称“LSTM模型”）中，以提高其预测精度和训练效率。

粒子群算法具有自基于粒子群优化的长短期记忆神经网络电力负荷预测模型Particle swarm optimization-based long short-term memory neural network for electric load forecasting model王政国1 关杰文1 庄晓宁21.北京派克盛宏电子科技有限公司，北京 1000002.呼和浩特科林热电有限责任公司，内蒙古呼和浩特 010030摘要：针对电力系统中的电力负荷预测问题，提出了一种基于粒子群优化（particle swarm optimization，PSO）的长短期记忆（long short-term memory，LSTM）神经网络模型，旨在提高电力负荷预测的准确性和稳定性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第38卷第12期电力系统保护与控制Vol.38 No.12 2010年6月16日Power System Protection and Control Jun.16, 2010 粒子群优化的神经网络模型在短期负荷预测中的应用陆宁 1.2，周建中1，何耀耀1（1.华中科技大学水电与数字化工程学院，湖北武汉 430074；2.武汉理工大学自动化学院，湖北武汉 430070）摘要：为了提高电力系统短期负荷预测精度，针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题，提出一种新的预测模型：粒子群优化的RBF神经网络模型。

粒子群算法是一种新的全局优化算法，有很强的全局寻优能力，用它来优化RBF神经网络的权值，并用优化好的RBF网络进行负荷预测。

仿真在虚拟仪器LabVIEW和Matlab软件平台上进行，结果表明该预测模型精度高于传统RBF神经网络模型，具有一定实用性。

关键词：粒子群优化；神经网络；径向基函数；全局寻优；负荷预测Particle swarm optimization-based neural network model for short-term load forecastingLU Ning1，2， ZHOU Jian-zhong 1，HE Yao-yao1（1. School of Hydropower and Information Engineering，Huazhong Univ of Science and Technology，Wuhan 430074，China；2. School of Automation，Wuhan Univ of Technology，Wuhan 430070，China）Abstract：In order to improve the precision of short-term load forecasting，this paper proposes a new load forecasting model based on Particle Swarm Optimization（PSO）．PSO is a novel random optimization method which has extensive capability of global optimization．PSO is used to optimize the weighting factor of Radial Basis Function（RBF）neural network and the optimal model is applied to forecast load．LabView and MATLAB are employed to implement the model for short-term load forecasting．The simulation results show that the load forecasting model optimized by PSO is more accurate than the traditional RBF model．Key words：particle swarm optimization；neural network；radial basis function；global optimization；load forecasting中图分类号： TM715 文献标识码：A 文章编号： 1674-3415(2010)12-0065-040 引言短期负荷预测是电力系统负荷预测的重要组成部分。

随着电力市场改革的深入发展，其作用日益重要，其预测精度直接影响到了电网及发电厂的经济效益[1]。

负荷预测的核心问题是预测的技术方法，即预测的数学模型。

在长期的实践中，人们对短期负荷预测进行了研究，开发了多种预测方法[2]。

随着人工智能领域的发展，一些现代负荷预测方法也开始应用[3]。

径向基函数神经网络由于具有可逼近任意非线性映射的能力，且算法简单、实用，在短期负荷预测中取得了较好的效果[4]。

径向基函数RBF （Radial Basis Function）神经网络在学习训练过程基金项目：国家科技支撑计划课题（2008BAB29B08）；国家自然科学基金重点项目(50539140)；科技部水利部公益性行业科研专项(200701008)中，有两个重要问题，一个是隐含层中心的确定，另一个就是网络权值的学习。

本文采用减法聚类法确定RBF网络的中心，用Matlab工具箱实现该算法；然后用有较强全局搜索能力且易于编程实现的粒子群算法对网络权值进行训练。

利用LabVIEW 的强大数组处理能力和直观的编程方式实现粒子群算法并训练RBF神经网络，最后用训练好的网络对某实际电网进行了日整点负荷预测。

仿真结果表明，该方法具有良好的预测精度和稳定性。

1 径向基函数神经网络1.1 径向基函数神经网络拓扑结构RBF神经网络，即径向基函数神经网络（Radial Basis Function neural network），由输入层、隐含层、输出层组成，RBF网络是针对BP神经网络存在的局部最小值和收敛速度慢这两个缺陷而提出的一种多层前向网络[5]。

其拓扑结构如图1所示。

- 66 - 电力系统保护与控制R (X )图1 RBF 神经网络模型 Fig.1 Topology of RBF neural network作为隐含层基函数的形式，最常用的是高斯函数：()()22exp 21,2,,j jj R x x c j pσ=−−="（1）其中：x 是n 维输入向量；C j 是第j 个基函数的中心，是与x 具有相同维数的向量；σj 是第j 个神经元的的标准化常数，它决定了该基函数围绕中心点的宽度。

参数m ，n ，p 分别为输出层、输入层、隐含层的神经元的个数。

确定了隐含层函数后，RBF 网络输入和输出的之间的关系可表达为[6]：()22,1exp 21,2,,pi j i jj j y w x c i mσ==−−=∑"（2）式中：y i 为输出层第i 个神经元的输出值；w j ,i 为隐含层第j 个单元与输出层第i 个单元之间的权值。

RBF 神经网络结构的确立，需要学习的参数有三个：基函数的数据中心C j ，宽度σj 以及输出层的权值w j ,i 。

本文采用减法聚类算法得到RBF 聚类中心，宽度通过数据中心可求得，用粒子群优化算法训练权值w j ,i 。

1.2 减法聚类算法求RBF 神经网络聚类中心减法聚类法是用来自动估计数据中的聚类个数及其位置的单次算法[7-8]，在该算法中，聚类中心的候选集为样本数据点。

通过减法聚类找到数据的聚类中心即为RBF 网络的数据中心，所得到的聚类中心个数即为基函数中心个数。

本文通过Matlab 中的subclust 函数求取相关参数。

2 粒子群优化算法粒子群优化算法是由Kennedy 博士和 Eberhart 博士于在1995年提出的基于仿生的集群优化算法[9]。

算法是受鸟群觅食行为的启发而提出，用于解决优化问题。

在粒子群算法中，每个优化问题的解都是搜索空间中的一只鸟，也就是所谓的“粒子”，每个粒子都有自己的位置、速度和一个由被优化的函数决定的适应值，然后这些粒子就追随当前的最优粒子在解空间中进行搜索。

在每一次迭代中，粒子通过追寻两个“极值”来更新自己的位置：第一个是粒子本身所找到的最优解，称为个体极值点，用P best 表示，另一个极值是整个种群当前找到的最优解，即全局极值，用P gbest 表示。

在一个D 维搜索空间中，有m 个粒子组成一个群体，粒子群优化算法可以描述为：令X i =(x i 1，x i 2，…，x id )( i =1，2，…，m )表示第i 个粒子的位置；V i =(v i 1，v i 2，…，v id )表示第 i 个粒子的速率；P best ，i =（P i 1，P i 2，…，P id ）为第i 个粒子经历过的最优位置，P gbest =（P g1，P g2，…，P g d ）为群体所有粒子经历过的最优位置。

追随这两个最优值，粒子根据公式(3)、(4)分别对自己的速度和位置进行更新，直至满足迭代终止条件[10]。

(1)()()()()1122g ()()k k k k k k kid id id id d id v h v c r p x c r p x +=+−+−（3） 1()()k k k id id idx x v +=+ （4）式中： i =1，2，…，m ；d =1，2，…，D ；h 为惯性权重，它使粒子保持运动惯性；c 1、c 2为加速因子；k 为迭代次数，r 1，r 2 为两随机数，取值区间为 [0，1]。

本文用LabVIEW 实现粒子群优化算法，粒子群用数组表示，每个粒子用数组的一个元素表示。

关键部分（速度迭代的算法）的实现如图2所示。

图2 在LabVIEW 中实现粒子的速度更新 Fig.2 Velocity update of the particles with LabVIEW 图中数组变量g best 用来存放全局最优权值；数组P best 用来依次存放每个粒子的局部最优解；数组W 表示是当前权值；R 1，R 2为两随机数；H 为惯性权重；C 为加速因子；V 表示当前粒子速度。

LabVIEW 有强大的数组处理功能，适合用来实现粒子群优化算法。

陆宁，等粒子群优化的神经网络模型在短期负荷预测中的应用 - 67 -3 粒子群优化的RBF 神经网络模型不考虑天气因素，预测的基本步骤可以归纳为: 1）将样本数据归一化minmax min(1,2,,24)t t X X X t X X −==− (5)式中：X t 为t 时刻样本数值；X min 为样本最小值；X max 为样本最大值。

2）初始化RBF 神经网络，用减法类聚法得出RBF 网络的数据中心和中心个数。

3）将RBF 神经网络权值视为粒子，初始化粒子的初始位置、速度、惯性权重h ，加速度权因子C 1、C 2。

设置最大迭代次数t max 。

C 1=1.5，C 2=1.5， t max =1000。

4）定义适应度函数为()211nmjk jk j k E t y n==⎡⎤=−⎢⎥⎣⎦∑∑（6）式中：jk t 为目标值；jk y 为输出值；m 为输出的节点数；n 为样本数。

根据式(6)计算每个粒子的适应度函数值，开始迭代。

如果当前的适应度函数值小于之前的适应度数值。

用当前位置替代之前的P best,i ，否则P best,i 保持不变。