面向畜禽舍温度监测数据融合算法改进研究

刘雅楠 南新元

摘要：

在现代化大型智能畜禽养殖中，由于畜禽舍内温度分布不均匀、传感器采集数据效率低下等原因，无法全面、准确及时反映畜禽舍内温度变化情况。为提高畜禽养殖温度监测系统的性能，提出一种分层无线传感器网络（WSN）实时融合策略。该策略设计的无线传感器网络分为两层，首先将底层传感器采集的温度数据利用改进的无迹卡尔曼滤波器（IUKF）进行预处理，然后融合中心利用改进蜣螂算法优化核极限学习机（IDBO-KELM）对预处理后的数据进行实时融合。试验结果表明，在数据预处理方面改进的无迹卡尔曼滤波器能够有效抑制畜禽舍内噪声干扰，克服采集数据出现异常和发散现象；在多传感器数据融合方面本文建立的IDBO-KELM算法其训练集与测试集准确率分别是99.15%和98.12%，相较于原始算法准确率提升6.98%，数据融合用时3.36 s，保证禽畜舍内温度监测的效率和准确性，同时减少运算时间。

关键词：畜禽舍；多传感器数据融合；环境监测；改进无迹卡尔曼滤波

中图分类号：TP274+.2

文献标识码：A

Research on improvement of data fusion algorithm for temperature monitoring in livestock house

Abstract：

In large-scale modern intelligent livestock and poultry breeding， due to the uneven distribution of temperature in livestock and poultry houses and the low efficiency of sensor data collection， it is impossible to comprehensively， accurately and timely reflect the change of temperature in livestock and poultry houses. To improve the performance of temperature monitoring system in livestock breeding， a real-time fusion strategy of layered wireless sensor network （WSN） was proposed in this paper. The WSN designed by this strategy is divided into two layers. Firstly， the temperature data collected by the bottom sensor is preprocessed by an improved unscented Kalman filter （IUKF）. Then， the fusion center uses the improved dung beetle algorithm to optimize the nuclear Extreme Learning machine （IDBO-KELM） for real-time fusion of the preprocessed temperature data. The experimental results show that the improved unscented Kalman filter in data preprocessing can effectively suppress noise interference in livestock and poultry houses， overcome abnormal and divergent phenomena in collected data. In terms of multi-sensor data fusion， the IDBO-KELM algorithm established in this article has an accuracy of 99.15% in the training set and 98.12% in the test set， respectively. Compared to the original algorithm， the accuracy is improved by 6.98%， and the data fusion time is 3.36 s， ensuring the efficiency and accuracy of temperature monitoring in poultry houses while reducing computational time.

Keywords：

livestock premises; multi-sensor data fusion; environmental monitoring; IUKF

0 引言

随着现代化畜禽养殖业发展速度不断加快，禽畜养殖业逐步向规模化、集约化、工业化与智能化方向发展［1］。国内现阶段畜禽养殖业发展水平和发达国家养殖水平相比还存在一定差距，存在养殖场内环境信息不能被精准监测，温度调节、新风控制等环节仍需依赖人工进行操作等问题。温度直接影响畜禽机体的热调节［2］，是智能化畜禽养殖中最重要的环境因素。据美国国家研究委员会（National Research Council，NRC）报道，在一定范围内气温每升高1 ℃，猪采食量减少40 g，在持续高温28 ℃～35 ℃环境下，生猪日采食量较常温时下降14%，日增质量下降21%，料重比增加0.23；若奶牛在适宜的温度下产奶量为100%，当环境温度分别升高到21 ℃、27 ℃、30 ℃和38 ℃时，产奶量分别下降到89%、75%、70%和27%。因此在适宜的温度条件下养殖能使动物机体性能和健康指标达到最佳，有利于禽畜生长和繁殖，进而提高畜禽生长速度和经济回报收益。

目前，国内外学者主要从

在MRUKF基础上，仅对测量噪声协方差矩阵进行在线估计和调整。观测噪声统计量的无偏MP估计

式中：

式中：

Wcs——标量权重。

最后引入遗忘因子在线调整观测噪声协方差矩阵，削弱历史数据误差积累产生的影响，提高滤波器的鲁棒性能。引入遗忘因子的测量方程更新如下

式中：

λi——数据权重；

η——遗忘因子。

其中Γ（a，d）=ΛK（a，d），Λ=diag{λ1，λ2，…，λa}为遗忘因子矩阵，K（a，d）为无迹卡尔曼滤波增益矩阵。无迹卡尔曼滤波整体改进流程如图2所示。

3 多传感器数据融合技术

在畜禽智能化养殖行业中，神经网络的应用尚处于起步阶段，融合系统需有较高的计算精度和鲁棒性。利用神经网络进行数据融合，可以合理利用冗余数据与公共信息，提高系统融合速度。

3.1 基于神经网络数据融合方法

神经网络与分布式数据融合在很多方面作用相似。从结构上看，分布式融合与神经网络均属于多输入多输出系统，且系统均有并行处理信息功能，神经网络的信息处理中心是神经元，而分布式融合的信息中心是每一层的融合中心。在工作原理上，分布式融合是对多源及多数量信息进行综合利用，神经网络是建立非线性系统的输入输出映射。因此，选用神经网络实现数据融合是完全可行的。

将神经网络引入多传感器数据融合当中，将输入输出之间的融合规则建立起来，通过对传感器采集信息与系统需求之间的映射关系的学习训练，搭建准确的数据融合系统。训练好的网络能更好地结合实际完成数据融合操作，实现融合系统的高效、精准融合。

如图3所示，传感器采集的信息数据需经过处理过程1进行规范处理，如对多种类型数据进行归一化处理，使其成为规范化的输入数据发送给神经网络。网络训练时需要大量优质的数据样本，使得网络在学习过程中建立准确的融合规则，传感器数据融合的输出值也是样本输出的期望值。训练完成后，神经网络就搭建了符合输入输出映射关系的融合系统，融合后的数据经处理过程2，成为决策系统可读的指令信息。

3.2 核极限学习机

极限学习机（ELM）是由Huang等［22］提出的单隐层前馈神经网络，与其他前馈神经网络相比，ELM的输入层与隐藏层连接权重不需要迭代调整，只需求解一次方程得到。因此，ELM能够有效减少层间计算负荷，比传统机器学习计算速度更快，泛化性能更好。但由于网络随机给定初始权值，使得ELM输出结果并不稳定。为解决上述问题，引入核函数与核函数矩阵。

式中：

x——输入样本；

H——样本数；

H——隐含层特征映射矩阵；

C——正则化系数；

I——单位向量矩阵；

T——样本对应输出。

KELM结合核映射核正则化理论，如式（16）所示。

根据ELM的定义，输出权值矩阵β用式（17）表示。

式（17）中核函数选择RBF径向基核函数。

3.3 改进蜣螂优化算法

史加荣等［23］利用高斯混合模型筛选近似日，利用麻雀算法优化改进KELM的超参数，得到最佳模型。王雨虹等［24］利用改进鲸鱼算法对核极限学习机正则化系数和核函数参数寻优，构建改进鲸鱼算法优化核极限学习机故障诊断模型，结果表明改进后的故障诊断模型具有更高的精度和泛化能力。为得到畜禽舍环境监测数据融合最佳模型，本文利用改进蜣螂优化算法对核极限学习机核函数与正则化参数寻优。

蜣螂优化算法（DBO）是东华大学沈波［25］教授继麻雀搜索算法（SSA）之后提出的新型群体智能优化算法，该算法模拟蜣螂滚球、跳舞、觅食、偷窃和繁殖行为，与粒子群算法（PSO）［26］、麻雀算法（SSA）［27］、鲸鱼算法（WOA）［28］相比，该算法收敛速度快、精度高、稳定性较好，同时该算法局部开发与全局搜索性能较优。

DBO算法模拟蜣螂自然行为，包含4个过程：滚球、繁殖、觅食和偷窃。首先利用太阳导航和自然环境影响搜索模式确保对搜索空间充分探索；其次该算法的惯性权值R具有动态变化特征，可以平衡DBO算法的探索与开发性能，通过蜣螂产卵区域和最佳觅食区域动态更新可以促进算法对局部地区的开发；最后蜣螂的偷窃行为能使算法及时跳出局部最优。

首先对原始蜣螂算法进行改进，引入自适应t分布变异策略优化小蜣螂觅食位置，改变自由度参数提高算法局部探索与全局探索能力；引入黄金正弦算法改进偷窃更新策略，缩小整个探索空间，提高算法收敛速度并促进跳出局部最优。

引入自适应t分布变异策略改进小蜣螂觅食位置，对小蜣螂觅食位置Xi=（xi1，xi2，…，xin）更新如式（18）所示。

xti=xi+xi·t（iter）（18）

式中：

xi——第i个蜣螂个体觅食位置；

t（iter）——以算法迭代次数为参数自由度的t分布自由度参数。

式（18）在xi的基础上增加t分布型随机干扰项xi·t（iter）。算法初始阶段，迭代次数较小，t分布变异类似于柯西分布变化，此时算法全局探索能力较优；算法运行中期，t分布变异处于柯西分布和高斯分布之间，t分布变异算子结合高斯算子与柯西算子的优点，改善算法局部开发与全局搜索能力；算法运行后期，t分布变异近似高斯分布变异，此时算法具有较好的局部探索能力［29］。

黄金正弦算法（Golden-SA）［30］根据正弦函数与单位圆的关系，遍历正弦函数上所有点，即整个单位圆。在蜣螂偷窃者位置更新过程中引入黄金分割系数，每次迭代过程既能缩小搜索范围，又能遍历优解区域。通过式（19），对偷窃蜣螂个体进行位置更新。

xt+1i=xti·|sin（r1）|－r2·sin（r1）·|c1Pti－c2xti|（19）

其中，xti=［xti，1，xti，2，…，xti，d］，i=1，2，…，n；t=1，2，…，tmax。

式中：

xti，d——第i个个体在第t次迭代时d维的位置；

Pti——第t次迭代全局最优位置；

r1、r2——属于［0，2π］，［0，π］的随机数，下次迭代个体i的移动距离由r1决定，下次迭代个体i的移动方向由r2决定［31］；

c1、c2——黄金分割系数，引入位置更新公式。

利用改进蜣螂优化算法对核极限学习机正则化系数C和核函数参数S寻优。改进蜣螂算法优化核极限学习机算法流程图如图4所示。

4 仿真试验

4.1 数据预处理结果

对奶牛养殖舍内温度测量进行仿真试验，假设初始温度为14.4 ℃，考虑到适宜奶牛生长的温度，选择15.5 ℃作为模拟温度，牛舍温度受空气流通、光照等因素影响会产生小幅度波动。进行数据预处理仿真试验时，每2 min采集一次牛舍温度。牛舍内部和舍外空气进行交换，本文引入过程噪声方差Q设置为0.01，温度传感器的方差R设置为0.25。

利用改进无迹卡尔曼滤波算法对底层传感器采集的奶牛舍温度数据进行预处理，试验测试了卡尔曼滤波、无迹卡尔曼滤波和改进无迹卡尔曼滤波的性能，并将其与传感器测量数据Z进行比较，如图5所示。

从图5可以看出，未经预处理的奶牛养殖舍内温度数据波动较大，但现实中奶牛养殖环境温度相对稳定，未经预处理的温度数据不能真实反映奶牛养殖舍内实际温度变化状况。经过上述三种滤波算法预处理后，波动明显减小，上述三种滤波算法都能有效抑制滤波发散，IUKF的滤波性能优于KF滤波和UKF滤波。

图6是3种滤波算法的误差分析图，可以看出，采用IUKF进行数据预处理后，误差明显减小。

为验证改进后算法的有效性，任意选取6组底层无线传感器采集的温度数据进行滤波比较，其中3组比较结果如图7所示。IUKF滤波算法的滤波效果都优于KF滤波算法，IUKF滤波算法能够更好地抑制滤波发散。

4.2 抗干扰性检验

为验证采用MRUKF概率加权改进无迹卡尔曼滤波算法的抗干扰性，评估所提算法在系统模型参数突变时的滤波性能，对滤波测量模型进行随机扰动。图8为观测模型在突变条件下观测值与改进无迹卡尔曼滤波算法的滤波曲线。

仿真结果证明，模型受到干扰测量值产生突变时IUKF能有效抑制模型参数突变对滤波结果的影响。滤波曲线平滑，IUKF的估计结果接近真实温度，具有较强的抗干扰能力。

4.3 改进蜣螂优化算法性能验证

为比较蜣螂算法寻优性能，检验改进后算法的正确性和有效性，试验对8个测试函数进行仿真，验证算法改进效果。试验将IDBO与DBO、PSO、WOA、FOA进行比较，设置最大迭代次数为500，每个算法对测试函数独立运行30次。测试函数见表1，其中F1～F7是单峰测试函数，最小值fmin均为0；F8是多峰测试函数，最小值fmin为-2094。

图9是5种优化算法在8个测试函数上的收敛曲线图。从图9可以看出，IDBO能够短时间内寻找到理论最优值或接近理论最优值，IDBO收敛速度快并且寻优速度高。通过图9（a）～图9（d）中4组函数收敛曲线发现，迭代次数不到400时，IDBO已经找到理论最优值，从图9（g）、图9（h）发现IDBO适应度值小于DBO的最小适应度值，IDBO更接近于理论最小值。综上所得，改进后DBO优化算法迭代次数少于其他算法，收敛速度更快，不易陷入局部最优。

4.4 融合算法性能验证

试验采集新疆某现代化奶牛养殖场中环境数据，牛舍的长宽高分别为110 m、50 m、6 m。舍内共有483头奶牛，奶牛养殖舍如图10所示。无线传感器采用星型结构完成组网，传感器布局如图11所示。

16个温湿度采集模块作为终端节点均匀部署在监控区域，每4个终端节点中间放置一个汇聚节点。区域网关布置在区域中心，测点高度为2 m，可根据牛舍高度进行调整。试验选取T3000超高精度双通道测温仪，可实现±0.001 ℃的测温准确度。

无线通信模块将测量数据传输至微处理器，测量数据经预处理后利用神经网络进行融合，最后将底层传感器采集的原始数据、经数据预处理的数据与神经网络融合数据通过网关发送至服务器存储。本试验采集奶牛舍温度，共650组数据，利用MATLAB（R2021a）软件进行数据分析，IDBO优化KELM网络，将650组经过预处理的数据中作为输入，按7∶3的比例划分训练集与测试集，进行回归预测。为验证IDBO算法优化KELM网络的性能优于其他算法，试验选取PBO、FOA、WOA算法分别优化KELM网络，为避免试验中偶然性发生，平均每个算法进行30次试验取其训练集、测试集预测结果的平均值，如表2所示。

由表2可知，IDBO-KELM训练集与测试集的准确率分别是99.15%和98.12%，上述分析结果表明利用IDBO对KELM网络进行优化能获得较好的预测效果，下面分析网络计算复杂度对系统实时性的影响。本文对比了几种神经网络的运行时间，如表3所示。相较于传统的神经网络DBO-BP运行时长59.83 s而言，IDBO-KELM融合速度明显提升。

改进后的核极限学习机能够接近畜禽舍内真实温度的变化，可以有效提高融合精度，提高运行速度，实现对畜禽养殖舍温度进行实时监测。

5 结论

1）  提出了分层无线传感器网络实时融合策略，多传感器网络的建立可以提高畜禽舍温度数据采集的真实性与全面性。利用改进无迹卡尔曼滤波器优化底层传感器采集数据，用于解决UKF采样点易散布和系统噪声不准确导致滤波发散问题。试验结果表明，改进的无迹卡尔曼滤波算法可以过滤杂波，有效解决底层传感器采集数据准确度低的问题，为后续融合工作提供可靠的数据来源，对畜禽舍温度数据精准采集有一定意义。

2）  提出基于IDBO-KELM神经网络算法的多传感器数据融合模型，IDBO-KELM训练集与测试集的准确率达到99.15%和98.12%，相较于传统算法有明显提升，同时该算法能够合理利用冗余数据，提高运行速度，用时仅3.36 s，满足系统实时融合的需求。

3）  建立的无线传感器网络实时融合策略具有较优性能，为畜禽舍环境智能监测与控制提供可行参考，便于系统进行下一步控制操作，为畜牧养殖业实现智能化、现代化提供可靠保障。

参 考 文 献

［1］ 刘波， 刘筱， 韩宇捷， 等. 规模化养猪场典型沼气工程各排放节点氨排放特征研究［J］. 农业工程学报， 2018， 34（23）： 179-185.

Liu Bo， Liu Xiao， Han Yujie， et al. Study on emission characteristics of ammonia from anaerobic digesters in industrial pig farm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（23）： 179-185.

［2］ 黄志滔， 曹永峰， 夏晶晶， 等. 后备母猪舍夏季环境调控影响因子变化规律试验与分析［J］. 中国农机化学报， 2021， 42（11）： 50-57.

Huang Zhitao， Cao Yongfeng， Xia Jingjing，et al. Experiment and analysis on the change law of environmental control factors in summer in reserve pigsty ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 50-57.

［3］ 韩建军， 南少伟， 李建平， 等. 基于随机森林算法的粮堆机械通风温度预测及控制研究［J］. 河南工业大学学报（自然科学版）， 2019， 40（5）： 107-113.

Han Jianjun， Nan Shaowei， Li Jianping， et al. Research on prediction and control of mechanical ventilation temperature of grain pile based on random forest algorithm ［J］. Journal of Henan University of Technology （Natural Science Edition）， 2019， 40（5）： 107-113.

［4］ 黄凯， 唐倩， 沈丹， 等. 冬季猪舍内温湿度与有害气体分布规律研究［J］. 畜牧与兽医， 2019， 51（7）： 35-41.

Huang Kai， Tang Qian， Shen Dan，et al. Study on the distribution law of temperature， humidity and harmful gas in winter pig house ［J］. Animal Husbandry & Veterinary Medicine， 2019， 51（7）： 35-41.

［5］ Bedi J， Toshniwal D. Empirical mode decomposition based deep learning for electricity demand forecasting ［J］. IEEE Access， 2018， 6： 49144-49156.

［6］ Rong L， Aarnink A J A. Development of ammonia mass transfer coefficient models for the atmosphere above two types of the slatted floors in a pig house using computational fluid dynamics ［J］. Biosystems Engineering， 2019， 183： 13-25.

［7］ Xie Q， Ni J Q， Bao J， et al. A thermal environmental model for indoor air temperature prediction and energy consumption in pig building ［J］. Building and Environment， 2019， 161： 106238.

［8］ Xie Q， Ni J， Su Z. A prediction model of ammonia emission from a fattening pig room based on the indoor concentration using adaptive neuro fuzzy inference system ［J］. Journal of Hazardous Materials， 2017， 325： 301-309.

［9］ 杨柳. 基于多尺度信息融合的猪舍环境控制系统设计［D］. 西安： 陕西科技大学， 2019.

［10］ 谢秋菊， 郑萍， 包军， 等. 基于深度学习的密闭式猪舍内温湿度预测模型［J］. 农业机械学报， 2020， 51（10）： 353-361.

Xie Qiuju， Zheng Ping， Bao Jun，et al. Thermal environment prediction and validation based on deep learning algorithm in closed pig house ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（10）： 353-361.

［11］ 曾志雄， 余乔东， 易子骐， 等. 基于WSN的集中通风式分娩猪舍环境参数时空分布特性［J］. 农业工程学报， 2020， 36（12）： 204-211.

Zeng Zhixiong， Yu Qiaodong， Yi Ziqi， et al. Spatiotemporal distribution characteristics of environmental parameters of centralized ventilation delivery sows based on WSN ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（12）： 204-211.

［12］ Seo I H， Lee I B， Moon O K， et al. Modelling of internal environmental conditions in a full-scale commercial pig house containing animals ［J］. Biosystems Engineering， 2012， 111（1）： 91-106.

［13］ 施珮， 袁永明， 匡亮， 等. 基于EMD-IGA-SELM的池塘养殖水温预测方法［J］. 农业机械学报， 2018， 49（11）： 312-319.

Shi Pei， Yuan Yongming， Kuang Liang， et al. Water temperature prediction in pond aquaculture based on EMD-IGA-SELM neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（11）： 312-319.

［14］ Kumar M， Garg D P， Zachery R A. A generalized approach for inconsistency detection in data fusion from multiple sensors ［C］. American Control Conference. IEEE Xplore， 2006.

［15］ Welch G F. Kalman filter ［M］. Computer Vision. Cham： Springer International Publishing， 2021.

［16］ Ullah I， Shen Y， Su X， et al. A localization based on unscented kalman filter and particle filter localization algorithms ［J］. IEEE Access， 2020， 8： 2233-2246.

［17］ Xia S， Nan X， Cai X， et al. Data fusion based wireless temperature monitoring system applied to intelligent greenhouse ［J］. Computers and Electronics in Agriculture， 2022， 192： 106576.

［18］ 仝运佳， 谢丽宇， 薛松涛， 等. 基于自适应无迹卡尔曼滤波算法的非线性系统估计［J］. 建筑结构学报， 2023， 44（1）： 182-191， 224.

Tong Yunjia， Xie Liyu， Xue Songtao， et al.Adaptive unscented Kalman filter for nonlinear structural identification ［J］. Journal of Building Structures， 2023， 44（1）： 182-191， 224.

［19］ Wang X， You Z， Zhao K. Inertial/celestial-based fuzzy adaptive unscented Kalman filter with Covariance Intersection algorithm for satellite attitude determination ［J］. Aerospace Science and Technology， 2016， 48： 214-222.

［20］ 冯亦奇， 陈勇. 基于遗忘因子的UKF车辆状态参数估计算法［J］. 合肥工业大学学报（自然科学版）， 2020， 43（11）： 1450-1455， 1499.

Feng Yiqi， Chen Yong.Unscented Kalman filter for vehicle state parameter estimation based on forgetting factor ［J］. Journal of Hefei University of Technology （Natural Science）， 2020， 43（11）： 1450-1455 1499.

［21］ Gao Z， Mu D， Gao S， et al. Adaptive unscented Kalman filter based on maximum posterior and random weighting ［J］. Aerospace Science and Technology， 2017， 71： 12-24.

［22］ Huang G B， Wang D H， Lan Y. Extreme learning machines： A survey ［J］. International Journal of Machine Learning and Cybernetics， 2011， 2： 107-122.

［23］ 史加荣， 赵丹梦， 王琳华， 等. 基于RR-VMD-LSTM的短期风电功率预测［J］. 电力系统保护与控制， 2021， 49（21）： 63-70.

Shi Jiarong， Zhao Danmeng， Wang Linhua， et al. Short-term wind power prediction based on RR-VMD-LSTM ［J］. Power System Protection and Control， 2021， 49（21）： 63-70.

［24］ 王雨虹， 孙远星， 包伟川， 等. 基于数据均衡化与改进鲸鱼算法优化核极限学习机的变压器故障诊断方法［J］. 信息与控制， 2023， 52（2）： 235-244， 256.

Wang Yuhong， Sun Yuanxing， Bao Weichuan， et al. Transformer fault diagnosis method based on data equalization and kernel-based extreme learning machine of improved whale algorithm ［J］. Information and Control， 2023， 52（2）： 235-244， 256.

［25］ Xue J， Shen B. Dung beetle optimizer： A new meta-heuristic algorithm for global optimization ［J］. The Journal of Supercomputing， 2023， 79（7）： 7305-7336.

［26］ Marini F， Walczak B. Particle swarm optimization （PSO）. A tutorial ［J］. Chemometrics and Intelligent Laboratory Systems， 2015， 149： 153-165.

［27］ Xue J， Shen B. A novel swarm intelligence optimization approach： Sparrow search algorithm ［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34.

［28］ Lakshmi V A， Mohanaiah P. WOA-TLBO： Whale optimization algorithm with teaching-learning-based optimization for global optimization and facial emotion recognition ［J］. Applied Soft Computing， 2021， 110： 107623.

［29］ 李永毅， 张剑妹， 连玮. 基于t分布变异的自适应黏菌优化算法［J］. 山西大同大学学报（自然科学版）， 2022， 38（6）： 40-44.

Li Yongyi， Zhang Jianmei， Lian Wei.Adaptive slime mould optimization algorithm based on t-distribution mutation ［J］. Journal of Shanxi Datong University （Natural Science Edition）， 2022， 38（6）： 40-44.

［30］ Tanyildizi E， Demir G. Golden sine algorithm： A novel math-inspired algorithm ［J］. Advances in Electrical and Computer Engineering， 2017， 17（2）： 71-78.

［31］ 高晨峰， 陈家清， 石默涵. 融合黄金正弦和曲线自适应的多策略麻雀搜索算法［J］. 计算机应用研究， 2022， 39（2）： 491-499.

Gao Chenfeng， Chen Jiaqing， Shi Mohan. Multi-strategy sparrow search algorithm integrating golden sine and curve adaptive ［J］. Application Research of Computers， 2022， 39（2）： 491-499.