常微分方程模型在众多科学领域的动态过程建模中扮演着重要的角色,如物理学、生物医学和工程学。它在描述生态系统方面是一种非常有效的方法,是许多复杂系统和非线性现象建模的重要方式,在诸如生物种群竞争、细胞调节系统(信号通路和基因调控网络)、HIV感染动力学等问题的研究中发挥了重要作用。在很多情况下,动态系统中各元素的状态或者数目的变化是可观测的,但如何确定各个元素之间存在的作用关系却是一项具有挑战性的任务,即使经验丰富的科研人员也很难构建有效的模型。因此,研究推导常微分模型的计算方法在许多系统识别问题中具有重要的价值和意义。推导常微分方程模型问题的难点在于搜索空间的复杂性,搜索空间包括参数空间和模型结构空间。在以往的研究中,通常是利用专业领域知识或者从部分常微分方程模型构建完整常微分方程模型的方式来缩小模型结构空间的复杂性。但是这两种方法都需要以全面的专业领域知识为基础,两种方法在通用性上也都受到一定限制。本文研究推导常微分方程模型的计算方法,提出了一种基于群智能的拉丁立方粒子群算法(LHS-PSO),该算法根据观测的时间过程数据为动态系统寻找合理的常微分方程模型。与以往方法相比,LHS-PSO算法不需要借助相关的领域知识和部分常微分方程为基础来缩小搜索空间,在不同的学科领域间有较强的通用性,为各个领域的专家学者解决推导常微分方程模型问题提供了一种便利的方法。在本文实验部分,通过一组真实的常微分方程模型即人类免疫缺陷病毒(HIV)模型和两组人造模型即三变量模型和四变量模型来测试LHS-PSO算法的有效性。在每一组实验模型中,本文重复做了二十次实验,并根据实验结果描绘了标准粒子群算法与LHS-PSO算法的箱形图和两种算法实验结果数据的对比表格。此外,在实验部分的每一章节中,本文选择了五组适应度值不同的结果模型进行了展示,从这对比的五组结果模型中可以看出,随着适应度值的逐渐增大,与之对应的结果模型与已知的时间过程的拟合度也在逐渐降低。通过三组实验结果对比和分析,验证了LHS-PSO算法可以同时推导出与已知时间过程数据相匹配的常微分方程模型。而且,在与标准粒子群算法实验结果对比中,LHS-PSO算法所寻找出的模型与已知时间过程数据的拟合度也是更优的。