转型背景下知识型企业知识状态系统演化模型探析

刘举胜　何建佳　徐福缘

摘要：借鉴自然界中的自适应法则，利用动态双重自适应PSO算法机理，对知识型企业知识状态系统演化模型进行构建，利用自适应学习系统和自适应共享系统2个复杂资源来对知识状态这一复杂自适应系统进行趋近。通过知识吸收，知识学习，知识整合，知识共享等几个步骤将知识状态系统以一种合理的方式进行演化，最后对此模型的性能和稳定性进行仿真。结果表明，动态双重自适应PSO算法机理能够较好地反映知识型企业知识状态系统的演变过程。

关键词：动态双重自适应PSO；企业知识状态系统；知识学习；知识共享

中图分类号：F 120文献标识码：A文章编号：1672-7312（2017）01-0076-09

Abstract： With reference to the adaptive law of the nature，using the mechanism of dynamic dual adaptive PSO algorithm，the paper constructed the evolution model of knowledge state system in the knowledgebased enterprise；Using adaptive learning systems and adaptive shared system，the paper made an approach to the complex adaptive system：knowledge state.With such few steps as absorbing knowledge，acquiring knowledge，integrating knowledge and sharing knowledge，the state of knowledge will be evolved in a reasonable manner；finally，a simulation of the performance and stability of the model was done.The results show that the mechanism of the dynamic dual adaptive PSO algorithm can reflect the knowledge state system in the knowledgebased enterprise.

Key words： dynamic dual adaptive PSO algorithm；the state of knowledge system；acquiring knowledge；sharing knowledge

0引言

知識作为一种可重用的社会资源，一种无形的资本，在新的经济形态中发挥着越来越重要的作用[1]。近年来，随着“转型发展”和“互联网+战略”的提出，知识型企业如雨后春笋迅速发展壮大起来，以百度、腾讯、阿里巴巴为首的高科技IT知识型企业将知识和人才正作为其赖以生存的有效资源积极利用起来。

知识状态系统是一个自适应性的复杂系统（Complex Adaptive Systems，简称CAS），在复杂自适应系统中，个体的属性及其间的关系发生的变化并不完全遵从线性关系，特别是在人和系统以及环境的反复作用过程中表现的更加明显。复杂自适应系统理论认为，客体之间的影响不是简单的、被动的、单向的因果关系，而是主动的适应关系，同时以往的经验会影响未来的行为。知识状态系统作为一种复杂自适应系统，它的更新是一种从有序到无序再到有序的非线性动态平衡系统，它的行为丰富多样而难以预测，系统的进化过程艰难曲折，正因为这样，国内外很多学者才对此展开研究。Wolfgang W Bein[2]将知识状态的演化思想抽象为一种进化算法，用来解决2-sever problem并且取得了较好的效果。Eduard bartl 和Radim Belohlavek[3]将知识状态假设为0和12个不同维度下个体向群体学习的模糊集，将知识状态等级进行划分，并且通过数值计算验证了知识空间等级划分的可行性。王斌[4]运用知识联盟理论和知识共振理论的分析方法，解释了知识联盟中知识状态演化问题。为了能够更充分的说明知识状态的演化规律，一些学者借鉴先进的理论从理论层面对知识状态的演化进行了研究。孙悦[5]从耗散结构和熵变的角度分析了知识型企业知识状态系统的演化，颜秀春[6]从知识治理的角度研究了知识型企业知识状态演变，韩毅[7]在讨论知识场概念的基础之上，通过调整和控制知识存量来对知识状态的演化进行了描述，王斌[8]运用网络位势理论，知识状态的理论方法，构建了网络位势的知识状态演化模型，对知识状态的演化做了进一步的拓展。黄丽华[9]利用logistic法则对企业知识状态系统的演化构建了协同机制评价研究。这些研究为后来的学者提供了理论基础，局限的是没有将这种模型进行数值研究。

知识型企业与知识工作者之间挖掘知识集，不断进行协调进化，从而推动知识状态系统演化的过程与鸟群或鱼群捕食过程的社会行为相似。赵坤[10]将知识状态的演化过程类比为粒子群群体进化的进化过程，但是局限的是这种类比及模型的构建只是单一的将PSO算法应用于知识状态的演化过程中，没有进行数值仿真，对知识状态的演化没能进行更为充分的展现。针对这一问题，文中设计了一种动态双重自适应PSO算法，算法中的惯性权重会根据系统的最优解进行自适应改变，学习因子会随着算法的进化而相应的改变，这种双重自适应的变化能够使得算法较快的找到系统的最优解，能够很好的反映企业知识状态系统的演化，通过仿真发现，将这种算法机理用来描述知识状态系统的演化真实有效，切实可行。

1企业知识状态系统内涵的界定

企业知识状态（Knowledge State，KS）是企业获取竞争优势的重要源泉[11]，近年来，随着经济转型和产业结构的升级，知识经济逐渐受到了人们的广泛关注，知识型组织重新回到了人们的视野，根据彼得˙德鲁克（1998）的观点，知识型组织是指以知识为基础，由各种各样的专业人员或专家组成的组织。随着知识型组织关注度的提高，有关知识状态的研究逐渐增多，Mark Helpworth[12]从知识状态的认知主体上进行了研究，陈琦[13]通过知识存量、知识结构、知识流动、知识分布、知识水平5个属性对知识状态的内涵进行了鉴定。这些学者主要从知识状态的认知主体和属性上进行了研究。这些研究使读者初步了解了知识状态的演化，但是这些研究没有将知识状态借鉴到企业层面上来。为了将知识状态借鉴到企业层面上来，陈素娟[14-15]从知识状态系统演化的动力进行了研究，分析了知识型企业知识状态系统演化的内部动力和外部动力。刘晓冰等[16]基于演化过程的视角针对企业知识安全管理的要求，提出了面向过程的知识状态描述方法，并且利用此方法建立了知识状态的三维描述模型。江文年等人[17]从3种不同的视角研究知识的演化，整合提出了企业知识演化的综合模型。此外，为了将知识状态演化的动态性描述出来，一些学者基于生物演化或生态演化的视角对知识状态的演化进行描述。郭培韬等人[18]利用生态学的演化思想和生态位理论对转型企业的知识状态系统演化模型进行构建并分析，张红兵等人[19]提出了基于“融知-发酵”的知识演化模型，从生物发酵的规律和其深层次机理对知识状态的演化进行了说明。综上这些研究对知识状态的演化进行了初步探析，对知识状态的演化过程进行了初步的描述，局限的是没能把知识状态系统是一个复杂自适应系统这一根本特征体现出来。

文中基于复杂自适应系统的大背景，以复杂资源（子系统）进行趋近，牢牢把握复杂结构来源于简单子系统的相互作用这一复杂性的精髓，利用生物学中的自适应法则，将企业中的知识状态借鉴具有群体演化思想的双重自适应PSO算法机理进行模拟演化，并进行了仿真，得到了较为理想的效果。

2知识型企业知识状态系统演变的动态双重自适应PSO机理分析

2.1知识型企业知识状态演变的本质

2.1.1

知识挖掘分析从系统论的角度讲，任何组织都是由相互联系、相互依赖和相互作用的元素构成[20]，从构成知识状态系统的成分或元素上来说，知识状态系统主要包括显性知识向隐性知识的转化，隐性知识的挖掘，涉及组织、知识工作者、环境3个方面。

在知识经济时代，组织持续竞争力的源泉正日益集中于组织内部特有的、难以模仿的知识资源。一方面，知识资源成为知识型组织的关键性资源；另一方面，由于人力资源与知识资源有紧密的联系，人力资源管理成为知识型组织管理的核心。

员工是知识最根本的载体，不同的知识工作者拥有不同的态空间（state space）[21]。不同的员工本身所携带的知识具有异质性，这种异质性虽然增加了系统中知识的多元性，但是这会使得系统的熵增大，熵增意味着系统的有序程度降低，这又导致了知识挖掘的难度增加。具体来说，知识型企业在知识挖掘上存在的困难来源于2个不可调和的矛盾。一个是知识集搜集的质量和数量，知识工作者搜集的知识信息鱼龙混杂、良莠不齐，只有能融入企业并产生效益和能进行知识生产的知识才是企业所需要的知识。另一个是知识价值的多元性和知识工作者的利益性。也就是说，不同的知识发送者（知识源）和知识接受者（知识受体）对知识的领悟吸收能力及其学习能力、思维能力、交往能力等智力因素和情感智商的高低使得对知识的理解呈现多元化，这也是知识价值的多元性。对于某一具体的知识工作者，当其认为自己知识不够时或由于考虑到某种利益时，是不大可能将知识进行共享的，这样就使得知识挖掘难度增大。

此外，环境包括了自然环境和社会环境及其他独立于自身系统的环境，如国家、中介机构、客户、竞争对手、市场等。环境是知识挖掘的一个重要场所，要完成知识挖掘这一目标，仅仅进行企业自身的知识积累是不够的，因为这种知识资源的范围狭窄，获取的资源极其有限，所以要进行外界环境知识的整合、生产、利用、储存及共享等。

2.1.2

知识共享与决策特征

通过观察一些社会行为，Beekman.M[22]发现社会行为主要有2个目的：一个是在群体活动中，每个个体能够协助群内其他人员进行搜索食物，另一个是群体合作能够提高搜索效率。这一发现使得“共享”逐渐步入人们的视野，在知识经济时代，作为知识型企业核心生产要素的知识，只有通过相互交流、学习、共享才能得到发展，知识的共享范围越广，其利用、增值的效果越好，知识只有被更多的知识工作者所共享，才能使知识的拥有者获得更大的收益。知识的共享不可能通过强制的方式得以实现，而是依赖于组织对个人的积极鼓励以及良好的共享氛围，如果没有充足的内外激励和积极的共享文化，知识工作者面临的种种知识共享成本与风险必然会成为组织推进知识共享的障碍。

此外，知识型企业中的员工（知识工作者）是一个具有主观能动性和自适应性的创新性个体，在知识挖掘的过程中，个体会按照一定的规则进行自我知识挖掘，主要表现为员工自我能力、经验、技能等知识的提升；群体会按照群体的目标进行挖掘，主要表现为企业的软实力，价值观，目标愿景的提升。群体按照目标愿景对个体进行指导，使得个体极值和群体极值在有限的协调次数下逐步接近。这样的演变过程从形式上可以描述为一个鸟群的捕食过程，实质上是一个粒子群优化过程。

2.2知识型企业知识状态系统演变的双重自适应PSO模型及分析

粒子群算法也称Particle Swarm Optimization（PSO）算法[23]，作为一种经典的智能演化算法，是在模仿自然界的鸟群以一种共享的捕食策略时而被提出来的，文中在粒子群算法的基础上，通过一系列的改进得到了动态双重自适应粒子群算法（Dual Adaptive PSO，简称DAPSO）。在自然界的捕食过程中，DAPSO粒子群算法可以很好的反映种群中的个体共享自己和伙伴们的经验来使整个种群成员获得食物这一原理，这种策略和知识型企业知识系统的演化有着一定的相似之处，因此DAPSO粒子群算法非常适合用来描述知识状态系统的演化过程。

2.2.1

动态双重自适应PSO原理及粒子信息交换方式基本的动态双重自适应PSO原理可以描述如下：

其中，w为惯性权重；d=1，2，…，D；i=1，2，…，n；k為当前迭代次数；Vid为粒子的速度；c1和c2为加速度因子，c1称为个体学习因子，c2称为社会学习因子；r1和r2是分布于[0，1]区间的随机数。在PSO算法中的速度更新方程中，c1，c2分别为个体学习因子和社会学习因子，c1，c2一般取2。

目前，关于c1，c2对算法性能影响的研究还不是很多[24]。我们知道，个体学习因子体现了粒子的自我学习能力，社会学习因子体现了粒子的社会学习能力。在搜索初期，较大的自我学习因子可以使得粒子以较大的速度在解空间中寻求全局最优解，而跳出局部最优解。在搜索后期，粒子需要在最优解的附近进行局部搜索，此时，粒子需要较强的社会学习能力。为此，文中引入动态调整策略来平衡c1，c2的关系，c1，c2通过自适应变化，控制粒子的飞行速度与方向，来提高解的收敛速度与精度，具体调整策略为

借鉴生物学中的自适应原理，将c1，c2分别设计为自适应个体学习因子和自适应社会学习因子，将w设计为自适应惯性权重，文中将这种具有双重适应性、动态的PSO算法叫做动态双重自适应PSO算法（DAPSO）。

在动态双重自适应算法中，粒子群的信息主要来自于各粒子的个体极值所构成的矩阵：p=（p1，p2，p3，…，pn），DAPSO由于利用了自然界协同进化的天然优势，因此它具有高效的搜索性能。种群中的粒子的速度以一种适应环境的、恰当的搜索速度进行搜索，粒子在进行自我搜索的同时又能够协助其他粒子进行搜索。因此，DAPSO相比传统的PSO在研究知识状态系统演化的过程中会显示得天独厚的优势。

2.2.2

知识型企业知识状态系统演变的双重自适应PSO模型基于以上认知，可以发现知识状态系统在知识挖掘、知识转化、知识共享上与DAPSO机理具有很好的兼容性，为此，文中基于DAPSO信息处理机制对知识状态系统演化模型进行了初步探索。我们有如下定义。

基于以上定义，我们对知识状态系统演化模型进行了初步的探索，但是对于知识状态系统中知识的转化以及知识的共享机制我们仍然不是非常清楚，为了更进一步的了解知识状态系统的演变机理，文中基于知识转化和知识共享的角度提出了如下假设：

假设1：文中将c1和c2分别看作企业中的员工在学习知识时的一种自我学习系数和社会学习系数，系统通过自适应地调节自我学习系数c1不断使个体达到最优，这种调节反映在企业的知识管理工作中，就是企业领导为员工创造学习条件，营造学习氛围，员工通过自我学习，将企业中的显性知识转换为隐性知识，边干边学，不断增长才干，提升自我核心竞争力；系统通过自适应地调节社会学习系数c2促使个体向群体最优趋近（approach），

这种调节反映在企业的知识管理工作中，就是知识通过个体向群体的学习，模仿和实践而传播，群化的学习过程可以掌握创新和技术的核心，可以学到书本学不到的大量经验和诀窍。知识联盟的兴起是这一转换的现实反映[25]。知识型企业知识转化的机理如图1所示。

在自适应知识转化系统中，随着企业员工不断的自我学习和社会学习，知识状态系统中的显性知识和隐性知识不断地增加，在这一过程中，显性知识会转化为隐性知识，随着隐性知识的增长和社会学习系数的增大，员工的学习能力和创造能力越来越强，表现为单位时间内隐性知识对显性知识的占比不断提高，此时，员工更加注重经验、技巧等隐性知识，在个体思维上，吸收、思考、整合，创新能力逐步提升，知识状态会发生变迁，知识成果会加速涌现。

上述转化机理，要求企业领导要为员工提供舒适的工作环境、较好的福利待遇、融洽的人际关系，以及按绩效奖励的公平竞争环境，这样才有可能最大限度地激发员工的创造力。员工的创造力是知识时代企业最大的财富，不论是哪种知识转换都会表现为企业财富的增加，表现为企业不断增加的信息优势、人才优势、创新优势，最终表现为企业竞争优势的增加和企业经济效益的提高。

假设1是基于Nonaka和Takeuchi的显性知识和隐性知识转换模型（SECI模型）——知识螺旋理论（Knowledge Spiral）提出来的。在知识状态系统中，显性知识的转换是基础，是进行知识交流和共享的前提。在显性知识转化的同时，隐性知识开始向隐性知识转换，只有有效的实现了隐性知识间的转换，才能激发创造力，知识才能从一种知识态跃迁到另一种知识态，实现从量变到质变，这一假设也与现实较为符合。

知识在完成转化之后，知识发生了跃迁，系统内知识的熵增大，知识变得更加多元化，如何让知识在知识状态的系统中进行共享，如何采取一些激励措施加速知识的共享成为一个不得不考虑的问题。在激励研究的最初阶段，学者们认为激励是一个单一的概念，在其作用下，人们会有不同的行为经历和行为结果。但随着研究的深入，学者们发现促使个体行为发生的激励因素可能源自于外界，也可能源自于个体内部。由此，学术界提出了外在激励和内在激励的概念。外在激励有些与物质相关如工资、绩效奖金、分红；有些偏重非物质方面，如组织赋予的荣誉，组织认同，以及良好的人际关系。无论是何种形式的外在激励措施都基于个体的行为绩效会受到组织的回报，而这种组织的回报是个体所期望的，会满足个体的某些需求，这也是符合社会交换理论的。当学术界围在关注外在激励的同时，一些学者开始寻找“内在激励”，马斯洛（maslow，1943）[26]最先进行探索，他在需求层次理论中认为所有个体均有挖掘自身成长的需要。Ryan和Deci[27]经过一系列的实验研究表明，比起外部激励来说，个体的内在激励行为会使个体具备更多的兴趣，热情和信心，给组织带来高绩效和高创意产出的同时，也使个体拥有更多的自尊、成就感、幸福感和自我效能。知识型企业的激励机理如图2所示。

假设2：文中从内在激励和外在激励的内涵和作用机制出发，将惯性权重w看作是企业进行知识共享时的激励因子。激励因子w的大小会反映激励效用的不同，在进行外部激励时，根据激励因子w，可以將激励措施按激励效用的不同分为粗略的2种策略，策略1和策略2.总体来看，策略1的激励效用较大，策略2的激励作用较小。当个体发生知识共享行为的愿景与组织的目标愿景一致时，即在个体知识共享过程中，发生相互探讨、积极交流、为组织的发展建言献策等有利于组织发展的行为时，组织按策略1进行激励；反之，当个体发生知识共享

行为的愿景与组织的目标愿景有偏差时，即接受新知识时出现故意拖延、虚假接受、被动应对、暗地破

坏或公然反抗等行为，组织按策略2进行激励。不同的激励策略相应的能够使得每个员工向着最有利于企业发展的目标进行。具体如图3所示。

个体在进行内部激励时，将w的取值假设为随机的，这也与理论较为相符，每个个体不同时期对自己的内在激励是不一样的，这一点在马斯洛的需求层次理论也会有所反映。组织在进行激励员工进行知识共享时，既要结合员工个体内在的激励需求，又要结合员工外在的知识共享表现，将外在的激励策略合理的结合起来，个性化的为每个员工制定合理的激励培养计划，使得知识能够最大限度地进行共享，具体的机理如图4所示：

基于以上定義和假设，文中借鉴生物学中的自适应法则，紧紧围绕复杂结构来源于简单子系统的相互作用这一复杂性的精髓，利用动态双重自适应PSO机理对知识状态系统演化模型进行了演化，具体的演化模型如图5所示。

知识状态系统作为一个复杂自适应系统，对于复杂性系统，应该以系统自身的运作方式去了解这些系统，对复杂系统的认知，我们只能依赖于系统本身，也就是说真正复杂性问题我们只能以复杂资源进行趋近[28]。

文中所设计的演化模型，利用自适应学习系统和自适应共享系统这2个复杂资源来对知识状态系统进行趋近，通过知识吸收、知识学习、知识整合、知识共享等几个步骤将知识状态以一种合理的方式进行演化，最后使得新知识体系为全体员工和组织所掌握。

3数值仿真

我们知道，知识型企业知识挖掘的优化效能，取决于知识工作者获得的信息与搜索效率和精度的平衡[10]，也就是说，算法性能好坏可以反映知识状态系统演化模型性能的优劣，为了检验模型的准确性和稳定性，文中取普通PSO算法（PSO）和自适应惯性权重PSO算法（Adaptive Inertial Weight PSO，简称AIWPSO）以及自适应加速因子PSO算法（Adaptive Accelerated Factor PSO，简称AAFPSO）和动态双重自适应PSO（Dual Adaptive PSO，简称DAPSO）来进行比较。此外，为了显示DAPSO算法的优势，将普通PSO算法中的惯性权重w按照文献[29]进行设计：

3.4测试分析

1）通过分析以上测试结果，将AIWPSO和AFFPSO与普通PSO比较，我们不难发现，对于单峰函数f1，f2来说，AIWPSO和AFFPSO在寻优性能和搜索精度上都要优于普通PSO.这表明AIWPSO和AFFPSO算法通过借鉴自然界中的自适应法则，可以使得粒子以合适的速度遍历解空间中的点，使得粒子具有较优的寻优性能。

2）对比DAPSO和AIWPSO，AFFPSO，我们发现，DAPSO在精度上优于AIWPSO；在寻优效率上优于AAFPSO。对于局部最优值较多的函数f3来说，DAPSO在寻优率上优于其他单方面自适应算法，这表明DAPSO不仅融合了AIWPSO快速寻优的特点，同时也融合了AAFPSO的自我适应的收敛特性。此外，比较这几种算法的均值和标准差，我们不难发现DAPSO较其他几种算法在稳定性上有更好的表现。

综上，我们发现DAPSO较其他算法有较好的收敛性能和寻优性能，同时也具有一定的稳定性，对于模拟知识状态系统的演化具有较好的效果。

4结论

文中利用动态双重自适应PSO算法的机理，对知识型企业知识状态系统的演变模型进行构建，以及对模型的演化性能进行仿真模拟，来探索知识型企业知识状态系统的演化过程。通过模型构建和仿真模拟，我们发现知识型企业知识状态系统的演化过程是一个自适应和不断的与外界进行知识交换的过程，在演化的过程中，知识能否进行合理地转化和知识能否最大化共享对于企业的管理者来说显得尤为重要。在知识转化的过程中，管理者需要确保组织的信息交流无障碍，需要为员工营造良好的学习氛围，提供舒适的工作环境、较好的福利待遇，对员工所掌握的知识进行深度挖掘，不断提升知识的转化效率，提高员工的创造力，最后使得企业中的知识形成一条完整的知识链；在知识共享的过程中，管理者需要制定个性化的激励措施，对员工进行有效的激励，确保每个员工能贡献自己所有的知识的同时也能分享到其他员工的知识，从而为企业知识的创新奠定基础。

参考文献：

[1]王众托.知识管理[M].北京：科学出版社，2009.

[2]Wolfgang W Bein.Knowledge state algorithms and the 2severproblem[J].Electronic Notes on Discrete Mathematics，2004，17（3）：49.

[3]Eduard Bartl，Radim Belohlavek.Knowledge Spaces with graded knowledge states[J].Information Sciences，2011（181）：1 426-1 439.

[4]王斌.知识联盟中知识状态演化路径的研究——以濮阳特种玻璃及光电源知识联盟为例[J].理论与探索，2016，39（1）：70-75.

[5]孙悦，赵坤.知识型企业知识状态系统的熵变研究[J].科学学研究，2008，26（2）：339-343.

[6]颜秀春.知识型企业知识状态系统的知识治理模式[J].科技进步与对策，2008，25（4）：151-156.

[7]韩毅.基于知识场模型的知识管理调控策略[J].图书馆情报工作，2008，52（6）：56-59.

[8]王斌.网络位势主导下的知识状态演化机理研究[J].现代情报，2016，36（1）：40-44.

[9]黄丽华.基于logistic法则对企业知识生态系统协同机制评价研究[J].聊城大学学报：自然科学版，2014，27（4）：78-83.

[10]赵坤，孙悦.知识型企业知识状态系统演变的PSO机理及其优化模型分析[J].科学管理研究，2006，24（4）：78-81.

[11]曹兴，罗会华.企业知识状态：企业竞争优势的一种理论解析[J].中国软科学，2005（11）：124-129.

[12]Helpworth M.A framework for understanding user requirements for an information service：defining the needs of informal carers[J].Journal of the American Society for Information Science and Technology，2004，55（8）：695-708.

[13]陈琦.知识状态与企成长的微观机制研究[J].企业家天地，2007（2）：73-75.

[14]陈素娟.知识型企业知识状态系统演化的内部动力分析[J].企业导报，2013（23）：194-195.

[15]陈素娟.知识型企业知识状态系统演化的外部动力分析[J].当代经济，2014（2）：150-151.

[16]刘晓冰，白朝阳，薛冬娟，等.面向过程追踪的知识状态描述方法研究[J].计算机应用研究，2008，25（11）：3 346-3 349.

[17]江文年，杨建梅.基于多视角的知识演化的企业知识管理体系研究[J].科技管理研究，2004，24（4）：66-67.

[18]郭培韬，郭东强.转型企业知识转移的生态学解释模型[J].情报科学，2015，33（1）：89-94.

[19]张红兵，和金生.基于“融知-发酵”的产业集群知识创新探析[J].科学管理研究，2007，25（4）：76-79.

[20]尹守军，井润田.基于复杂系统的组织结构演化研究[D].成都：电子科技大学，2014.

[21]欧阳莹之.复杂系统理论基础[M].上海：上海科技教育出版社，2002.

[22]Beekman M，Ratnieks F L W longrang.Foraging by the honeybee.Apis Mellifera L[J].Functional Ecologicy，2000，14：490-496.

[23]

Kennedy J Eberhart R.Particle swarm optimization[J].IEEE International Conference on Neural Networks，1995，4（8）：1 942-1 948.

[24]龙文，焦建军，龙祖强.基于PSO优化LSSVM的未知模型混沌系统控制[J].物理学报，2011，60（11）：1-5.

[25]储节旺，郭春侠.知识管理学科的兴起、理论发展与体系构建研究[M].安徽：安徽大学，2014.

[26]Maslow A H.A theory of human motivation[J].Psychological Review，1943，50（1）：370-396.

[27]RM Ryan，EL Deci.Selfdetermination theory and the facilitation of intrinsic motivation，social development，and wellbeing[J].American Psychologist，2000，55（1）：68-78.

[28]何建佳，徐福缘.基于元胞自动机的自旋玻璃离散优化[J].系统工程，2011，29（7）：91-98.

[29]薛婷.粒子群优化算法的研究与改进[D].大連：大连海事大学，2008.

（责任编辑：王强）