基于动态多粒子群的多目标优化算法
多目标粒子群算法
多目标粒子群算法多目标粒子群算法（Multi-objective Particle Swarm Optimization，MOPSO）是一种基于粒子群算法（Particle Swarm Optimization，PSO）的多目标优化算法。
与传统的单目标优化算法不同，多目标优化算法旨在同时优化多个冲突的目标函数，寻找最优的一组解。
多目标粒子群算法基本思想是将多个目标函数转化为一个综合目标函数，通过粒子群算法在搜索空间中寻找最优的解集合。
在多目标粒子群算法中，每个粒子都维护着自己的位置和速度，利用历史最优位置和群体最优位置来引导搜索。
与单目标粒子群算法相比，多目标粒子群算法有以下几个特点：1. 多个目标函数：多目标粒子群算法需要优化多个冲突的目标函数，这些目标函数可能存在冲突，无法简单地将其转化为单一的综合目标函数。
2. Pareto最优解集合：多目标粒子群算法的目标是找到一组解集合，这组解集合中的任何解都无法被其他解所支配。
这组解集合被称为Pareto最优解集合，代表了搜索空间的一组无法优化的最优解。
3. Pareto支配：多目标粒子群算法通过定义Pareto支配关系来确定目标函数的优劣。
一个解支配另一个解，当且仅当它在所有目标函数上至少同时优于另一个解。
多目标粒子群算法的基本流程如下：1. 初始化粒子群的位置和速度。
2. 根据粒子的位置计算目标函数值，并更新粒子的历史最优位置。
3. 计算群体的最优位置，并根据最优位置和历史最优位置更新粒子的速度。
4. 根据粒子的速度和位置更新粒子的位置。
5. 判断停止条件是否满足，如果满足则结束算法，否则返回第2步。
多目标粒子群算法在解决多目标优化问题上具有一定的优势，可以搜索到Pareto最优解集合。
然而，多目标粒子群算法也面临一些挑战，如收敛速度较慢、解的多样性不足等。
因此，研究人员一直在通过改进算法的初始化方法、更新策略等方面来提高多目标粒子群算法的性能。
多目标粒子群算法
多目标粒子群算法多目标粒子群算法（MOPSO）是一种基于进化计算的优化方法，它可以有效解决多目标优化问题。
其主要概念是基于多面体搜索算法，把多个粒子看作无人机，它们可以在多目标函数中进行搜索，以寻找最优解。
MOPSO算法把多目标优化问题转换为一个混合非线性规划问题，它使用了动态的样本技术和非均匀的采样方法，用于构建联合募集框架。
MOPSO算法可以并行运行，利用可伸缩的进化引擎，将不断改进和优化多目标优化问题解。
MOPSO算法是一种满足Pareto最优性的多目标优化方法，其主要目标是寻找Pareto最优解。
MOPSO算法的初始参数是状态空间中的多个初始粒子的位置，该算法借助粒子群优化技术和多面体搜索算法，利用迭代搜索算法来求解Pareto最优解。
在MOPSO算法中，粒子的位置由这两种方法的结合来确定：（1）“随机探索”，即每个粒子随机移动以发现新的解；（2）“最优探索”，即每个粒子尝试移动到种群最优解所在的位置。
通过这种不断进化的搜索机制，可以找到更好的解，以维持每个粒子的最优性，从而获得更好的最终结果。
MOPSO算法的另一个优点是，它可以检测和处理多维度的优化变量和不同方向的最优性，它可以从多个维度上考虑多目标优化问题，用于生成更多更好的解决方案。
MOPSO算法也可以克服粒子群算法中的参数空间收敛，从而更有效地解决多目标优化问题。
此外，为了提高算法效率，MOPSO也可以使用分布式粒子群优化技术，从而改善算法的运行效果。
总之，多目标粒子群算法是一种非常有效的多目标优化方法，它可以有效解决多目标优化问题，并在分布式环境下改善算法的运行效率。
由于它能够以不同的方式处理多个变量和多个优化目标，MOPSO算法已经被广泛应用于各种复杂的多目标优化问题中。
多目标粒子群优化算法
多目标粒子群优化算法多目标粒子群优化算法（Multi-objective Particle Swarm Optimization, MPSO）是一种基于粒子群优化算法的多目标优化算法。
粒子群优化算法是一种基于群体智能的全局优化方法，通过模拟鸟群觅食行为来搜索最优解。
多目标优化问题是指在存在多个优化目标的情况下，寻找一组解使得所有的目标都能得到最优或接近最优。
相比于传统的单目标优化问题，多目标优化问题具有更大的挑战性和复杂性。
MPSO通过维护一个粒子群体，并将粒子的位置和速度看作是潜在解的搜索空间。
每个粒子通过根据自身的历史经验和群体经验来更新自己的位置和速度。
每个粒子的位置代表一个潜在解，粒子在搜索空间中根据目标函数进行迭代，并努力找到全局最优解。
在多目标情况下，MPSO需要同时考虑多个目标值。
MPSO通过引入帕累托前沿来表示多个目标的最优解。
帕累托前沿是指在一个多维优化问题中，由不可被改进的非支配解组成的集合。
MPSO通过迭代搜索来逼近帕累托前沿。
MPSO的核心思想是利用粒子之间的协作和竞争来进行搜索。
每个粒子通过更新自己的速度和位置来搜索解，同时借鉴历史经验以及其他粒子的状态。
粒子的速度更新依赖于自身的最优解以及全局最优解。
通过迭代搜索，粒子能够在搜索空间中不断调整自己的位置和速度，以逼近帕累托前沿。
MPSO算法的优点在于能够同时处理多个目标，并且能够在搜索空间中找到最优的帕累托前沿解。
通过引入协作和竞争的机制，MPSO能够在搜索空间中进行全局的搜索，并且能够通过迭代逼近最优解。
然而，MPSO也存在一些不足之处。
例如，在高维问题中，粒子群体的搜索空间会非常庞大，导致搜索效率较低。
另外，MPSO的参数设置对算法的性能有着较大的影响，需要经过一定的调试和优化才能达到最优效果。
总之，多目标粒子群优化算法是一种有效的多目标优化方法，能够在搜索空间中找到最优的帕累托前沿解。
通过合理设置参数和调整算法，能够提高MPSO的性能和搜索效率。
粒子群优化算法及其在多目标优化中的应用
粒子群优化算法及其在多目标优化中的应用一、什么是粒子群优化算法粒子群优化算法（Particle Swarm Optimization，PSO）是一种智能优化算法，源自对鸟群迁徙和鱼群捕食行为的研究。
通过模拟粒子受到群体协作和个体经验的影响，不断调整自身的位置和速度，最终找到最优解。
PSO算法具有简单、易于实现、收敛速度快等优点，因此在许多领域中得到了广泛应用，比如函数优化、神经网络训练、图像处理和机器学习等。
二、PSO在多目标优化中的应用1.多目标优化问题在现实中，多个优化目标相互制约，无法同时达到最优解，这就是多目标优化问题。
例如，企业在做决策时需要考虑成本、效益、风险等多个因素，决策的结果是一个多维变量向量。
多目标优化问题的解决方法有很多，其中之一就是使用PSO算法。
2.多目标PSO算法在传统的PSO算法中，只考虑单一目标函数，但是在多目标优化问题中，需要考虑多个目标函数，因此需要改进PSO算法。
多目标PSO算法（Multi-Objective Particle Swarm Optimization，MOPSO）是一种改进后的PSO算法。
其基本思想就是将多个目标函数同时考虑，同时维护多个粒子的状态，不断优化粒子在多个目标函数上的表现，从而找到一个可以在多个目标函数上达到较优的解。
3.多目标PSO算法的特点与传统的PSO算法相比，多目标PSO算法具有以下特点：（1）多目标PSO算法考虑了多个目标函数，解决了多目标优化问题。
（2）通过维护多个粒子状态，可以更好地维护搜索空间的多样性，保证算法的全局搜索能力。
（3）通过优化粒子在多个目标函数上的表现，可以寻找出在多目标情况下较优的解。
三、总结PSO算法作为一种智能优化算法，具备搜索速度快、易于实现等优点，因此在多个领域有广泛的应用。
在多目标优化问题中，多目标PSO算法可以通过同时考虑多个目标函数，更好地寻找在多目标情况下的最优解，具有很好的应用前景。
基于粒子群算法求解多目标优化问题
基于粒子群算法求解多目标优化问题一、本文概述随着科技的快速发展和问题的日益复杂化，多目标优化问题在多个领域，如工程设计、经济管理、环境保护等，都显得愈发重要。
传统的优化方法在处理这类问题时，往往难以兼顾多个目标之间的冲突和矛盾，难以求得全局最优解。
因此，寻找一种能够高效处理多目标优化问题的方法，已成为当前研究的热点和难点。
粒子群算法（Particle Swarm Optimization, PSO）作为一种群体智能优化算法，具有收敛速度快、全局搜索能力强等优点，已经在多个领域得到了广泛应用。
近年来，粒子群算法在多目标优化问题上的应用也取得了显著的成果。
本文旨在探讨基于粒子群算法求解多目标优化问题的原理、方法及其应用，为相关领域的研究提供参考和借鉴。
本文首先介绍多目标优化问题的基本概念和特性，分析传统优化方法在处理这类问题时的局限性。
然后，详细阐述粒子群算法的基本原理和流程，以及如何将粒子群算法应用于多目标优化问题。
接着，通过实例分析和实验验证，展示基于粒子群算法的多目标优化方法在实际问题中的应用效果，并分析其优缺点。
对基于粒子群算法的多目标优化方法的发展趋势和前景进行展望，为未来的研究提供方向和建议。
二、多目标优化问题概述多目标优化问题（Multi-Objective Optimization Problem, MOP）是一类广泛存在于工程实践、科学研究以及社会经济等各个领域中的复杂问题。
与单目标优化问题只寻求一个最优解不同，多目标优化问题涉及多个相互冲突的目标，这些目标通常难以同时达到最优。
因此，多目标优化问题的解不再是单一的最优解，而是一组在各个目标之间达到某种平衡的最优解的集合，称为Pareto最优解集。
多目标优化问题的数学模型通常可以描述为：在给定的决策空间内，寻找一组决策变量，使得多个目标函数同时达到最优。
这些目标函数可能是相互矛盾的，例如，在产品设计中，可能同时追求成本最低、性能最优和可靠性最高等多个目标，而这些目标往往难以同时达到最优。
多目标优化的粒子群算法及其应用研究共3篇
多目标优化的粒子群算法及其应用研究共3篇多目标优化的粒子群算法及其应用研究1多目标优化的粒子群算法及其应用研究随着科技的发展，人们对于优化问题的求解需求越来越高。
在工程实践中，很多问题都涉及到多个优化目标，比如说在物流方面，安全、效率、成本等指标都需要被考虑到。
传统的单目标优化算法已不能满足这些需求，因为单目标算法中只考虑单一的优化目标，在解决多目标问题时会失效。
因此，多目标优化算法应运而生。
其中，粒子群算法是一种被广泛应用的多目标优化算法，本文将对这种算法进行介绍，并展示其在实际应用中的成功案例。
1. 算法原理粒子群算法（Particle Swarm Optimization，PSO）是一种仿生智能算法，源自对鸟群的群体行为的研究。
在算法中，将待优化的问题抽象成一个高维的空间，然后在空间中随机生成一定数量的粒子，每个粒子都代表了一个潜在解。
每个粒子在空间中移动，并根据适应度函数对自身位置进行优化，以期找到最好的解。
粒子的移动和优化过程可以通过以下公式表示：$$v_{i,j} = \omega v_{i,j} + c_1r_1(p_{i,j} - x_{i,j}) + c_2r_2(g_j - x_{i,j})$$$$x_{i,j} = x_{i,j} + v_{i,j}$$其中，$i$ 表示粒子的编号，$j$ 表示该粒子在搜索空间中的第 $j$ 个维度，$v_{i,j}$ 表示粒子在该维度上的速度，$x_{i,j}$ 表示粒子在该维度上的位置，$p_{i,j}$ 表示粒子当前的最佳位置，$g_j$ 表示整个种群中最好的位置，$\omega$ 表示惯性权重，$c_1$ 和 $c_2$ 分别为粒子向自己最优点和全局最优点移动的加速度系数，$r_1$ 和 $r_2$ 为两个 $[0,1]$ 之间的随机值。
通过粒子群的迭代过程，粒子逐渐找到最优解。
2. 多目标优化问题多目标优化问题的具体表述为：给出一个目标函数集 $f(x) = \{f_1(x), f_2(x),...,f_m(x)\}$，其中 $x$ 为决策向量，包含 $n$ 个变量，优化过程中需求出 $f(x)$ 的所有最佳解。
动态拓扑结构的多目标粒子群优化算法
ＭＰ Ｏ ． Ｗｅ —Ｆ ｎ ｅｎ ＿ 提 出 了一 种 基 于 Ｓ ）如 ｎ ｕ ｇＬ ｏｇ等ｌ １ 动态 群体 规模 和 自适 应 局 部 存 档 的 ＭＰ Ｏ算 法 ， Ｓ 通
文 献标 识码 ： 过增 加及 减 少 粒 子 的 规模 来 达 到加 快 收敛 的 目的 ． Ａ
Ｒ． ｒ ｓ ［提 出 了一 种小 生 境 的 ＭＰ Ｏ算 法 ， 原 Ｂｉ 等 ２ ｔ ］ Ｓ 在
多 目标 优 化 问题 （ ｌ—ｂ ｃｉｅｏ ｔ ｚｔ ｎ ｍｕｔｏ ｊ ｔ ｐｉ ａｉ ｉ ｅ ｖ ｍｉ ｏ
性和均匀性 ． 为了 防止早熟 收敛 ， 结合 邻域 拥挤 度 和粒 子差 ｐｏ ｌ ＭＯ ） ｒｂｅ ｍ， Ｐ 大量地 存在 于 科学 实 践 、 程 系 统设 工 异度 ， 给出了一种拟小世界动态拓扑邻 域结构来 平衡粒 子 的 计 、 会 生产 活 动 及 投 资组 合 等 问题 中 ． 年 来 ， 社 近 越 全局搜索能力和局部搜索 能力 ． 最后通 过对几 个例子 的数值 来 越 多 的学者采 用进 化算 法来 求 解 多 目标 的 优 化 问 实验说 明算法 的可行性 ， 并通过成功地 应用在 实际工程 问题
（ 同济大学 ＣＭＳ中心 ， Ｉ 上海 ２ １ ０ ） ０ ８ ４
摘要 ： 绍了一种 动态 拓扑 结构 的多 目标 粒子 群优 化算 法 介
（ ｙ ａ ｃｌ ｔｐ ｌ ｙ ｍｕｔ ｌ ｏｊｃｉｅ ｐｒｉ ｅ ｓ ｒ ｄ ｎｍｉ ｏｏｏ ａ ｇ ｌｐｅ ｂｅｔ ａｔ ｌ ｉ — ｖ ｃ ｗａｍ
（ ＭＰＳ ；ｉ ｔｔ ｇ ｓ ｌ ｗｏ ｌ ｙ ａ ｃ ｌｔｐ ｌｇ Ｏ） ｍｉ ｉ ｍａｌ ｒｄ ｄ ｎ ｍｉ ｏ ｏｏ ｙ；ｄ ｍａｎ ａ ｎ ａ ｏ ｉ
ｄｇｅ ｅ ｒ ｅ；ｃ ｎ ｅ ｔ ｎ ｄ ｇ ｅ ｏ ｇ ｓｉ ｅ ｒ ｅ ｏ
粒子群算法、多目标粒子群算法、的关系
粒子群算法、多目标粒子群算法、的关系
粒子群算法（PSO）是一种优化算法，其灵感来源于鸟群的行为。
多目标粒子群算法（MOPSO）是在PSO基础上发展出来的多目标优化算法。
它们之间有以下关系：
1. PSO是MOPSO的基础
MOPSO是在PSO算法基础上发展而成的，因此PSO算法可以看作是MOPSO的基础。
PSO算法是单目标优化算法，即优化过程中只考虑一个目标函数的优化。
而MOPSO算
法则是多目标优化算法，它能够同时考虑多个目标函数的优化。
在MOPSO算法中，每个粒
子都有多个适应度值，称为解的评价指标。
3. MOPSO涉及到Pareto前沿思想
MOPSO算法是建立在Pareto优化理论的基础上的。
通过Pareto前沿思想，它能够找到一组最优解，这些最优解在所有评价指标上都是最优的，而且它们之间是非支配的。
4. MOPSO使用非支配排序技术和拥挤度算子
为了提高MOPSO算法的搜索效率和优化结果的多样性，MOPSO引入了非支配排序技术
和拥挤度算子。
非支配排序技术可以将所有解分为几个等级，拥挤度算子则能够增加解的
多样性，以保证搜索空间较为均匀地被覆盖。
在求解真实问题时，PSO和MOPSO都有很广泛的应用领域。
PSO通常用于单目标优化问题、动态优化问题和基于约束的优化问题等。
MOPSO则更多地应用于多目标优化问题领域，如飞行器设计、供应链优化、水资源管理等。
粒子群优化算法与多目标优化
粒子群优化算法与多目标优化
粒子群优化算法与多目标优化
粒子群优化算法（Particle Swarm Optimization, PSO）是一种仿生算法，它模仿了群体里每个个体（粒子）搜索最优解的行为模式。
算法中的每个粒子代表一个可能的解决方案，根据粒子的历史位置和速度更新每个粒子的位置，以期最终达到最优解。
粒子群优化算法最初是用于单目标优化问题，但是近年来也被用于多目标优化问题。
多目标优化是指优化多个目标函数的一组变量，这些目标函数可以是相互矛盾的，从而使得优化问题变得更加复杂。
粒子群优化算法可以应用于多目标优化，它可以基于每个粒子的历史位置和速度来更新每个粒子的位置，以期最终达到最优解。
为了更好地解决多目标优化问题，研究者们还引入了一种新的粒子群优化算法，即多目标粒子群优化算法（MOPSO）。
MOPSO与PSO的主要区别在于它使用多个目标函数来更新粒子的位置，而PSO仅使用单个目标函数。
此外，MOPSO还添加了一个进化步骤来改进原有粒子的解决方案，以求得更优的解决方案。
此外，MOPSO还改进了粒子群优化算法中粒子的选择方式，以更好地支持多目标优化问题的求解。
粒子群优化算法既可以用于单目标优化问题，也可以用于多目标优化问题，它的灵活性使得它能够应用于各种优化问题。
粒子群优化算法的优点在于它对种群的搜索空间有很好的探索能力，并且可以快速收敛到全局最优解。
此外，粒子群优化算法还可以用于多目标优化，MOPSO可以更好地支持多目标优化问题的求解。
因此，粒子群优化算法可以说是一种有效的优化算法，它可以有效地解决多目标优化问题。
基于粒子群优化算法的多目标优化问题求解
基于粒子群优化算法的多目标优化问题求解摘要多目标优化问题是现代科学技术中经常遇到的问题之一。
传统的优化算法难以有效地解决这类问题，因此需要一种高效的优化算法来解决这种问题。
粒子群优化算法(Particle Swarm Optimization, PSO)作为一种新兴的优化算法，在多目标优化问题中表现出了良好的效果，本文将介绍基于粒子群优化算法的多目标优化问题求解的思路和方法。
1. 引言随着现代科学技术的不断发展，各行各业都涉及到了多目标优化问题。
例如，自动化工厂调度、工厂布局优化、电力系统调度等领域都需要解决多目标优化问题，传统的优化算法在解决这类问题上显得无能为力。
因此，研究高效的解决多目标优化问题的算法已成为当前的研究热点。
2. 多目标优化问题的定义与分类多目标优化问题(Multi-objective Optimization Problem, MOP)是指存在多个相互矛盾的目标函数需要最小化或最大化的优化问题。
多目标优化问题具有多样性、复杂性和不确定性等特点，它的解决涉及到数学、统计、计算机等多个领域。
根据问题的特征，多目标优化问题可分为以下几类：(1)在选择解时采用 Pareto 最优的非支配解集（Pareto Optimal Non-Dominated Solution Set, PONDS）作为解的选择标准，通常称为 Pareto 优化问题。
Pareto优化问题的主要研究方向是改进搜索算法和维护非支配解集。
(2)基于权衡的多目标优化问题。
在权衡的多目标优化问题中，目标函数的权值在不同的情况下有所不同，因此需要对不同权值下的优化结果进行比较，然后选择最优的结果。
该问题通常用加权平均法或效用函数法等方法来求解。
(3)约束多目标优化问题。
约束多目标优化问题是指在多目标优化问题的基础上，加入了约束条件。
该问题中要求解最优解，同时需要满足一定的约束条件。
3. 粒子群优化算法的概述粒子群优化算法(PSO)是一种优化算法，它是由Kennedy和Eberhart在1995年提出的。
- 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)。
群协作 的 多目标优 化算 法。根据粒子 群在 决策 空间中的分布情 况动 态增加或 者减 少粒 子群数量 ； 为避免 粒子收敛速 度过 快， 改进 了决定粒子飞行速度的 因素 ， 速度值依赖 于粒子 当前速度惯性 、 粒 子最优值 ， 群 最优值 和所有群 最优 值。
用五 个测试 函数对算法进行 了测试 并与 多目标粒子群优化进行 了比较 ， 测试结果表 明提 出的 算法优于 多 目标粒子群
优化 算法。 关键 词 ： 多 目标 优 化 ； 粒子群优化 ； 局部搜 索 ； 全 局 最优 解 ； 局 部 最 优 解 中 图分 类 号 ： Ｔ Ｐ １ ８ 文献 标 志 码 ： Ａ
Ｍｕ ｌ ｔ ｉ － ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｄ ｙ ｎ ａ ｍｉ ｃ ｍｕ ｌ ｔ ｉ ｐ ｌ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍｓ
Ｃ ０Ｄ ＥＮ Ｊ ＹＩ Ｉ ＤＵ
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ． ｊ ｏ ｃ ａ ． ｃ ｎ
ｄ ｏ ｉ ： １ ０ ． １ １ ７ ７ ２ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ — ９ ０ ８ １ ． ２ ０ １ ３ ． １ ２ ． ３ ３ ７ ５
基 于 动 态 多粒 子群 的 多 目标 优 化 算 法
Ｌ Ｉ Ｕ Ｂｉ ｎ 。Ｚ ＨＡＮＧ Ｒ ｅ ｎ ｉ ｉ ｎ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＭａ ｔ ｈ ｅ ｍ ａ ｔ ｉ ｃ ｓ ａ ｎ ｄ Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ，Ｇ ｕ ｉ ｚ ｈ ｏ ｕ Ｎ ｏ ｒ ｍ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｇ ｕ ｉ ｙ ａ ｎ ｇ Ｇ ｕ ｉ ｚ ｈ ｏ ｕ ５ ５ ０ ０ ０ １ ，Ｃ ｈ ｉ ｎ ａ ）
刘 彬。 ， 张仁 津
（ 贵州师范大学 数学 与计算机科学学院， 贵阳５ ５ ０ ０ ０ １ ） （｛通信作者电子邮箱 ｌ ｉ ｕ ｂ ｉ ｎ ｎ ｇ ＠１ ６ ３ ． ｃ ｏ ｎ）
摘
要： 为了让多 目标粒子群优化算 法在 运行过 程 中保持粒 子的 多样 性 ， 提 出 了一种初 始化 方法和动 态 多粒子
ｃ ｏ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ．Ｔ ｈ ｅ ｑ ｕ ａ ｎ ｔ ｉ ｔ ｙ ｏ ｆ ｓ ｗａ ｒ ｍｓ ｗａ ｓ ｉ ｎ ｃ ｒ ｅ ａ ｓ ｅ ｄ ｏ ｒ ｄ ｅ ｃ ｒ ｅ ａ ｓ ｅ ｄ ｄ ｙ ｎ ａ ｍｉ ｃ ａ ｌ ｌ ｙ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｄ ｉ ｓ ｔ ｉ ｒ ｂ ｕ ｔ ｉ ｏ ｎ ｏ ｆ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗａ ｍ ｓ ｒ ｉ ｎ ｔ ｈ ｅ ｄ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｓ ｐ ａ ｃ ｅ ．Ｔ ｏ ａ ｖ ｏ ｉ ｄ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｉ ｎ ｇ ｔ ｏ ｏ ｑ ｕ ｉ ｃ ｋ ｌ ｙ ，ｔ ｈ ｅ ｆ ａ ｃ ｔ ｏ ｒ ｓ ，ｗｈ ｉ ｃ ｈ ａ ｆ ｆ ｅ ｃ ｔ ｅ ｄ ｔ ｈ ｅ ｌ ｆ ｙ ｉ ｎ ｇ ｓ ｐ ｅ ｅ ｄ ｏ ｆ ａ ｐ ａ ｔｉ ｒ ｃ ｌ ｅ ，ｗｅ ｒ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｔ ｏ ｄ ｅ ｐ ｅ ｎ ｄ ｏ ｎ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｖ ｅ ｌ ｏ ｃ ｉ ｔ ｙ ｉ ｎ ｅ ｔ ｒ ｉ ａ ｏ ｆ ｔ ｈ ｅ ｐ ａ ｔ ｒ ｉ ｃ ｌ ｅ ，ｔ ｈ ｅ ｂ ｅ ｓ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ ｔ ｈ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ，ｔ ｈ ｅ ｂ ｅ ｓ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ ｔ ｈ ｅ ｓ ｗａ ｒ ｍ ｗｈ ｉ ｃ ｈ ｔ ｈ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｂ ｅ ｌ ｏ ｎ ｇ ｅ ｄ ｔ ｏ ，ａ ｎ ｄ ｔ ｈ ｅ ｏ ｐ ｔ ｉ ｍａ ｌ ｖ ａ ｌ ｕ ｅ ｏ ｆ ａ ｌ ｌ ｓ ｗａ ｍ ｓ ｒ ．Ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｗａ ｓ ｔ ｅ ｓ ｔ ｅ ｄ ｂ ｙ ｉ ｆ ｖ ｅ ｂ ｅ ｎ ｃ ｈ ｍａ ｒ ｋ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｓ ａ ｎ ｄ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ
Ｊ ｏ ｕ ｒ ｎ ｌ ａ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ
Ｉ Ｓ Ｓ Ｎ １ ０ ０１ ９ ０８１
２ ０１ ３— １ ２— ０１
计 算 机 应 用， ２ ０ １ ３ ， ３ ３ （ １ ２ ） ０ ８ １ （ ２ ０ １ ３ ） １ ２ — ３ ３ ７ ５ — ０ ５
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｏ ｋ ｅ ｅ ｐ ｔ ｈ ｅ ｄ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗ ｈ ｅ ｎ ｍ ｕ ｌ ｔ ｉ — ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｒ ｕ ｎ ｎ ｉ ｎ ｇ ，ａ ｍ ｕ ｌ ｔ ｉ —
ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｐ ａ ｔ ｒ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍｓ ｉ ｎ ｉ ｔ ｉ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｄ ｙ ｎ ａ ｍ ｉ ｃ ｍｕ ｈ ｉ ｐ ｌ ｅ ｐ ａ ｔ ｒ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍ ｓ