1.一种基于粒子群优化算法的神经网络学习优化方法，其特征是：包括以下步骤：(1)选择粒子群优化算法的宏观方向参数，表示粒子构造及种群规模；

(2)设置粒子群优化算法的微观方向参数，根据社会搜索和认知搜索更新粒子自身运动；

(3)结合当前参数，使用粒子群优化算法进行训练学习，以使粒子群中的粒子不断靠拢最优粒子；

(4)通过训练完成的神经网络模型对渲染数据进行时间预估，制定集群作业调度策略，以达到减少真实感渲染时间的目的；

所述步骤(2)中，其方法为：每个粒子根据当前粒子本身搜索到的最佳方案和当前情况下所有粒子中搜索到的最佳方案对自身运动进行更新；

具体方法为：

设Ppbest表示当前粒子本身搜索到的最佳方案，ppbest＝(ppbest1,ppbest2,...,ppbestN)，其中，Ppbestm表示当前粒子本身在第m维搜索到的最佳方案，m∈[1，N]，N为单个粒子的维度；

Pgbest表示是当前情况下所有粒子中搜索到的最佳方案，pgbest＝(pgbest1,pgbest2,...,pgbestN)，其中，Pgbestn表示当前情况下第n个训练数据在所有粒子中搜索到的最佳方案，n∈[1，N]，N为需要训练的数据个数；

粒子自身运动更新为：

vi,t+1＝w×vi,t+c1×r1×(ppbest,t-xi,t)+c2×r2×(pgbest,t-xi,t) 公式(1)xi,t＝xi,t+vi,t+1 公式(2)学习因子即C1、C2表示的是每个粒子向Ppbest和Pgbest移动的随机加速项的权重：C1是粒子追踪Ppbest的权重系数，是对自身的认知，称之为认知；C2是粒子追踪Pgbest的权重系数，是对种群的认知，称之为社会；r1、r2是[0,1]区间内均匀分布的随机数，动态的优化学习因子，惯性权重w是认知和社会化搜索的平衡能力；xi,t为第i个粒子在第t次变化时的位置，vi,t为第t次变化时的速度；

惯性权重的取值方法为： ws、we、tm分别表示w的初始值、结束值和最大变化次数，c为用来平衡社会和认知搜索时间。

2.如权利要求1所述的一种基于粒子群优化算法的神经网络学习优化方法，其特征是：所述步骤(1)中，具体方法为：根据具体神经网络模型的输入层、隐层和输出层的神经元个数，得到单个粒子的维度，也为需要训练的数据个数；选择粒子个数，使用集合方式表达粒子。

3.如权利要求2所述的一种基于粒子群优化算法的神经网络学习优化方法，其特征是：所述步骤(1)中，单个粒子的维度等于输入层和隐层的神经元个数的乘积与隐层和输出层神经元个数的乘积之和。

4.如权利要求2所述的一种基于粒子群优化算法的神经网络学习优化方法，其特征是：所述步骤(1)中，粒子群中的粒子个数取值范围为[10,200]。

5.如权利要求1所述的一种基于粒子群优化算法的神经网络学习优化方法，其特征是：所述步骤(2)中，为了是社会搜索和认知搜索有相同的比重，将它们设置为相同的值；

使它们能够搜索到Ppbest和Pgbest为中心的区域，设置C1＝C2＝2。

6.如权利要求1所述的一种基于粒子群优化算法的神经网络学习优化方法，其特征是：所述步骤(3)的具体方法，包括以下步骤：(3-1)初始化粒子的速度和位置；

(3-2)计算当前粒子本身搜索到的最佳方案和当前情况下所有粒子中搜索到的最佳方案；

(3-3)更新粒子速度与位置；

(3-4)对比当前粒子的适应值与当前粒子本身搜索到的最佳方案和当前情况下所有粒子中搜索到的最佳方案；

(3-5)检测当前情况下所有粒子中搜索到的最佳方案，是否达到条件或迭代次数已达到最大，如果是则输出最优解，完成训练，如果否则返回步骤(3-2)。