1.一种基于ProbS与HeatS计算模式改进的混合推荐算法，其特征在于，包括：S1、根据加权方法ProbS与HeatS计算得到两个事物的资源分配和资源分配权重；

S2、根据统计学中的数据缩放重新设定两个事物的参数限定；

S3、基于粒子群优化算法求解S2中重新设定两个事物的参数限定，并得到最优参数；

S4、根据得到的最优参数进行资源分配，利用新的资源分配过程得到最后的推荐值；

所述步骤S1根据加权方法ProbS与HeatS计算得到事物的资源分配和资源分配权重为：资源初始化为：

(i)

fa ＝aiα

(i)

其中，fa 为用户i对事物α所拥有的资源量，当用户i与事物α之间存在边时，那么用户i对事物α所拥有的资源量表示为1，否则为0，即aiα＝1 or aiα＝0；

资源分配及其权重为：

其中，α、β表示同一类的两个事物，ki表示二部图中类节点i的度， 为资源分配过程，1‑λ和λ为分别限制两个物品的度，kα为节点α的度，kβ为节点的β度，λ为一个可变动的参数，i为用户，aiα为用户i对事物α所拥有的资源量，aiβ为用户i对事物β所拥有的资源量；

进而得到最后的分配资源为：

其中， 为用户i对物品α所拥有的最终资源；

所述步骤S2根据统计学中的数据缩放重新设定两个事物的参数x和y限定为：所述步骤S3的具体步骤包括：

当重新设定了参数及其范围，基于粒子群优化算法求解重新设定两个事物的参数限定，以算法性能为标准确定参数x和y的值，并将确定参数x和y确定值的过程抽象成函数f(x,y)：F＝f(x,y)x,y∈[0,1I

其中，函数值F就代表算法所期望的性能；

粒子群中粒子的速度和位置向量的更新是基于下列公式：其中，d＝1,2，…D；ω为非负惯性权重系数；c1和c2是学习因子； 和 是[0,1]范围内的正随机数；l为迭代指标； 是第i个粒子在d维空间中的位置；

ω的值决定了粒子的全局勘探和局部勘探能力，广泛采用线性递减惯性权重来调整ω的值，这种更新过程可描述为：其中，Tmax是迭代的最大次数；ωstart和ωend分别是惯性权重的最大值和最小值。

2.根据权利要求1所述的基于ProbS与HeatS计算模式改进的混合推荐算法，其特征在于，基于粒子群优化算法求解重新设定两个事物的参数限定的方法包括：S3.1、读取样本数据，准备训练集和测试集，对样本数据进行预处理；

S3.2、初始化每个粒子的速度和位置向量，设置控制参数值；

S3.3、设pi和pg值，设第i个粒子当前最优位置为Xi＝(xi1，xi2，...，xid)，组内最优个体为当前pg；

S3.4、将算法性能作为适应度函数值，计算每个粒子当前的适应度函数值，根据适应度函数值、粒子的历史最优值和全局最优值确定个体最优的适应位置pi和pg；

S3.5、更新每个粒子的速度和位置，根据速度和位置更新公式寻找更好的x和y；

S3.6、更新迭代次数，令l＝l+1；

S3.7、判断停止条件，若l＞Tmax，则停止迭代，pg为最优解，代表算法的最佳参数；否则，返回步骤S3.4；

S3.8、对得到的最优解进行解码，得到最优参数。

3.根据权利要求1所述的基于ProbS与HeatS计算模式改进的混合推荐算法，其特征在(i) (i)于，所述步骤S4得到最优解时再采用f' ＝Wαβf 进行资源分配，利用新的资源分配过程得到最后的推荐值。