Trust-Awareness to Secure Swarm Intelligence from Data Injection Attack
RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道莱茵兰-普法尔茨理工大学）；German Research Center of Artificial Intelligence (DFKI)（德国人工智能研究中心）
针对工业物联网中群体智能易受数据注入攻击的问题，提出一种高效的信任感知方法以增强安全性。
2023-05-10 cs.AI cs.MA cs.NE
Swarm Differential Privacy for Purpose Driven Data-Information-Knowledge-Wisdom Architecture
Hainan University（海南大学）；Zayed University（扎耶德大学）；Zeekr Group（极氪集团）；Visionogy；Leicester University（莱斯特大学）
隐私保护是近年来学术界和工业界关注的焦点。社会通过复杂的法律框架保护个人数据隐私。数据科学和人工智能的应用越来越多，对数据的无处不在的应用提出了更高的要求。广泛的数据-信息-知识-智慧（DIKW）领域的隐私保护，即下一代信息组织，已成为次要角色。在本文中，我们将探讨DIKW架构，通过流行的群体智能和差分隐私的应用。由于差分隐私被证明是一种有效的数据隐私方法，我们将从DIKW域的角度来看待它。群体智能算法可以有效地优化和减少差分隐私中DIKW的项目数，从而提高了差分隐私在概念DIKW多模态交叉中的有效性和效率。所提出的方法是通过应用程序的个性化数据，是基于开源IRIS数据集。实验证明了群体智能在降低计算复杂度方面的有效性。
2021-06-29 cs.AI cs.NE
Using the quaternion's representation of individuals in swarm intelligence and evolutionary computation
本文介绍了一种新的思想，用于表示个人使用四元数在群体智能和进化算法。四元数是一个数字系统，它扩展了复数。它们被成功地应用于理论物理问题和那些需要快速旋转计算的领域。我们提出了四元数在优化中的应用，更准确地说，我们一直使用四元数表示的蝙蝠算法中的个人。对由10个标准函数组成的测试集进行优化的初步实验结果表明，该算法明显改善了原Bat算法的结果。此外，所得到的结果与其他群体智能和进化算法，如人工蜂群，差分进化。我们相信，这种表示也可以成功地应用到其他群体智能和进化算法。
2013-06-10 cs.NE
Network Routing Optimization Using Swarm Intelligence
本文的研究目的是将群体智能应用于网络路由中的最小生成树问题和最短路径问题。这项工作被认为是一个研究课题，结合运筹学，离散数学，进化计算，旨在解决网络问题之一。
2015-08-17 cs.DM cs.NE
A Biomimetic Way for Coral-Reef-Inspired Swarm Intelligence for Carbon-Neutral Wastewater Treatment
HEDNO SA（HEDNO公司）
针对碳中和废水处理难题，提出受珊瑚礁启发的Swarm Interaction Network，结合形态发生抽象与多任务碳感知，实现高去除效率与低能耗，并展现实地应用中高达22%的柴油节省潜力。
2025-07-05 cs.AI cs.NE
Coordinating metaheuristic agents with swarm intelligence
多智能体系统的协调仍然是一个问题，因为没有突出的方法来完全解决这个问题。元启发式智能体是多智能体系统的具体实现，它要求协同工作来解决元启发式算法的优化问题。从群体智能中借鉴的想法似乎比以前提出的实现方式要好得多。本文报告了群体模拟退火代理与粒子群优化算法合作的性能。该方法被实现为多维背包问题，并已远远优于其他一些作品发表之前。
2013-04-15 cs.MA cs.NE
SwarmFusion: Revolutionizing Disaster Response with Swarm Intelligence and Deep Learning
Microsoft（微软）
SwarmFusion结合粒子群优化与卷积神经网络处理实时多源数据，优化灾害响应中的资源分配与路径规划，仿真显示其显著提升了响应速度与幸存者覆盖率。
2025-06-10 cs.LG cs.NE
A brief overview of swarm intelligence-based algorithms for numerical association rule mining
数值型关联规则挖掘是关联规则挖掘的一种流行变体，其中数值型属性的处理不需要离散化。这意味着处理这个问题的算法不仅可以直接处理分类属性，还可以处理数值属性。直到最近，这些算法中的很大一部分都是基于随机自然启发的基于人口的范式。结果表明，基于进化和群体智能的算法在处理该问题时表现出了很高的效率.与此相一致，本章的主要任务是对基于群体智能的数值关联规则挖掘算法进行历史回顾，并介绍这些算法的主要特征。在此概述中发现的应用功能的基础上，提出了一种分类的算法。挑战，等待在未来，完成这篇论文。
2020-10-29 cs.NE
Influence of Swarm Intelligence in Data Clustering Mechanisms
Faculty of Information Technology, University of Moratuwa（莫拉图瓦大学信息技术学院）
本文综述了群智能算法在数据聚类中的应用，比较其与传统K-means及混合方法的性能，以确定不同问题情境下的最优聚类方案。
2023-05-07 cs.AI cs.NE
Navigating Robot Swarms Using Collective Intelligence Learned from Golden Shiner Fish
导航网络机器人群通常需要知道去哪里，感知环境，并根据目的地和环境中的障碍物进行路径规划。这样的过程是计算密集型的。此外，随着网络规模的扩大，计算负载会以二次方甚至指数的方式增加。与这些人造系统不同的是，大多数生物系统的复杂性都是线性的。此外，生物群体的规模甚至可以实现集体智慧。其中一个例子来自对金鳍鱼的观察。金闪闪的人自然喜欢黑暗和学校在一起。每一个金色的闪光者都不知道黑暗在哪里。它也不会感知环境中的光线梯度。然而，作为一个学校一起移动，他们总是在阴凉处结束。我们将这种从金纹鱼身上学到的集体智慧应用于机器人群的导航。每个机器人的动态是基于黄金发光者的运动策略-一种随机行走，其速度由光强调制，其方向受其邻居的影响。理论分析和仿真结果表明，我们的方法1）承诺导航的机器人群体与很少的情况下的知识，2）简化了控制和决策，为每个单独的机器人，3）需要最少的，甚至没有信息交换的群体，和4）是高度分布式的，自适应的，和鲁棒性。
2014-06-30 cs.NE
Introductory Review of Swarm Intelligence Techniques
随着技术的快速提升，迫切需要以最高的精度和效率微调或优化某些流程，软件，模型或结构。优化算法优于通过实验或模拟进行优化的其他方法，因为它们具有通用的解决问题的能力和最少人为干预的有效性。近年来，将自然现象引入到算法设计中，极大地提高了甚至复杂的多维、非连续、不可微和噪声问题搜索空间的优化过程的效率。本章介绍基于群体智能（SI）的算法或群体优化算法，它们是更大的自然启发优化算法（NIOA）的子集。群体智能涉及个体的集体学习和它们之间的相互作用，从而导致群体的智能行为。本章介绍了各种人口为基础的SI算法，他们的基本结构以及他们的数学模型。
2022-09-30 cs.NE math.OC
Uncovering the Social Interaction in Swarm Intelligence with Network Science
University of California, Davis（加州大学戴维斯分校）；University of Exeter（埃克塞特大学）；Polytechnic School of Pernambuco, University of Pernambuco（伯南布哥大学伯南布哥理工学院）；GESIS–Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）
群体智能是在具有局部交互组件的系统中出现的集体行为。由于它们的自组织能力，基于群的系统显示出处理现实世界问题的基本属性，如鲁棒性，可扩展性和灵活性。然而，我们不知道为什么基于群的算法工作得很好，我们也不能比较文献中的不同方法。缺乏一个共同的框架，能够表征这几个基于群的算法，超越他们的特殊性，导致了一系列的出版物的灵感来自不同方面的性质，没有系统的比较现有的方法。在这里，我们通过引入一个基于网络的框架-交互网络-来解决这个差距，通过这种交互网络的社会动态的光学来研究基于计算群的系统;网络科学的一个明显的例子被应用于进一步澄清人工智能内的一个复杂的领域。我们讨论了四个著名的基于群体的算法的社会互动，并提供了一个深入的粒子群优化的案例研究。交互网络使研究人员能够将群算法作为系统进行研究，从分析中去除算法的特殊性，同时专注于社会交互的结构。
2019-11-12 cs.AI cs.MA cs.NE
Memcomputing and Swarm Intelligence
我们探讨memcomputing，即计算与内存，和群体智能算法之间的关系。特别是，我们可以设计忆阻网络来解决短路径优化问题，也可以解决蚁群算法。通过采用适当的忆阻元件，可以证明记忆计算和蚁群优化方法之间几乎一一对应。然而，与随机多步蚁群优化相比，忆阻网络具有在一个确定性步骤中找到解决方案的能力。这一结果铺平了道路，纳米级硬件实现的几个群体智能算法，目前正在探索，从调度问题的机器人。
2014-08-28 cond-mat.mes-hall cs.ET cs.NE
Swarm Intelligence: Past, Present and Future
科学和工程中的许多优化问题都是具有挑战性的，目前的趋势是使用群体智能（SI）和基于SI的算法来解决这些具有挑战性的问题。近年来取得了一些重大进展，但这一领域仍存在许多悬而未决的问题。本文提供了一个简短但及时的分析SI为基础的算法及其与自组织的联系。从数学和定性的角度分析了不同的特征和属性。未来的研究方向进行了概述，并突出了开放的问题。
2018-04-21 cs.NE math.OC
Swarm Intelligence for Self-Organized Clustering
Philipps-University of Marburg（马尔堡菲利普大学）
实现相互交互并感知环境的代理群体的算法可能会表现出自组织和群体智能等涌现行为。在这里，一个群系统，称为数据库群（DBS），是能够适应自己的结构，其特征在于在数据空间中的距离和/或密度为基础的结构的高维数据。通过利用群体智能，自组织和涌现的相互关系，DBS作为一种替代方法，在集群任务的全局目标函数的优化。该算法在退火过程中只搜索纳什均衡，因此不需要全局目标函数，且无参数。据我们所知，DBS是第一个结合这些方法的群体。如果没有关于数据的先验知识，它的聚类可以胜过常见的聚类方法，如K-means，PAM，单链接，谱聚类，基于模型的聚类和Ward。聚类中的一个核心问题是正确估计聚类的数量。这是解决了DBS可视化称为地形图，允许评估集群的数量。众所周知，所有的聚类算法都是构造聚类，而不管数据集是否包含聚类。与大多数其他聚类算法相比，地形图识别，如果数据不包含（自然）聚类，则数据的聚类是无意义的。DBS的性能证明了一组基准数据，这是构建提出困难的聚类问题，并在两个现实世界中的应用。
2021-06-10 cs.AI cs.MA cs.NE
Beyond Algorithm Evolution: An LLM-Driven Framework for the Co-Evolution of Swarm Intelligence Optimization Algorithms and Prompts
School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
本文提出基于LLM的协同进化框架，用于优化群体智能算法与提示，提升复杂环境下的自动设计性能。
2025-12-10 cs.NE
Differential Privacy May Have a Potential Optimization Effect on Some Swarm Intelligence Algorithms besides Privacy-preserving
Huazhong University of Science and Technology（华中科技大学）
本文首次提出差分隐私群体智能算法框架（DPSIAF），基于指数机制将DP与SI结合，发现DP不仅保护隐私，在某些情况下还能提升算法性能，为DP研究提供新视角。
2023-06-30 cs.AI cs.CR cs.NE
Swarm Intelligence Based Algorithms: A Critical Analysis
许多优化算法都是从群体智能中得到启发而发展起来的。这些基于SI的算法可以具有一些优于传统算法的优点。在本文中，我们进行了批判性的分析，这些SI为基础的算法，通过分析他们的方式来模仿进化算子。分析了利用变异、交叉、选择等算法实现探索和利用的方法。此外，我们还研究了使用动态系统，自组织和马尔可夫链框架的算法。最后，我们提出了一些讨论和进一步研究的主题。
2014-03-30 cs.NE math.OC nlin.AO
Q-Gaussian Swarm Quantum Particle Intelligence on Predicting Global Minimum of Potential Energy Function
我们提出了一种新开发的高斯群类量子粒子优化算法（q-GSQPO）来确定势能函数的全局最小值。类量子粒子群优化（SQPO）算法是利用不同的吸引势场来表示粒子群在量子环境中的运动，其中以谐振子势作为吸引势场的算法是一种改进算法。在本文中，我们提出了一个新的SQPO，使用高斯概率密度函数的吸引势场（q-GSQPO），而不是高斯（GSQPO），对应于调和势。将q-GSQPO的性能与GSQPO进行比较。新算法通过提高相空间采样效率和避免早熟收敛到局部极小值，在大多数情况下优于GSQPO算法。此外，两种算法的计算工作量相当。我们测试了该算法，以确定在2，5，10和50维空间中移动的粒子的最低能量配置。
2013-11-04 cs.NE
On the visual analytic intelligence of neural networks
视觉古怪任务被认为是一种通用的人类种族独立的分析智力测试。人工智能的进步带来了重要的突破，但在这种分析智能任务上与人类竞争仍然具有挑战性，并且通常采用非生物学合理的架构。我们提出了一个生物现实的系统，从合成的眼球运动-扫视，并与神经元纳入新皮层神经元的动力学处理它们的输入。我们引入了一个程序生成的视觉奇怪的数据集训练的架构扩展传统的关系网络和我们提出的系统。这两种方法都超过了人类的准确性，我们发现，两者都有相同的基本推理机制。最后，我们证明了生物启发网络具有更高的准确性，学习速度更快，并且比传统网络需要更少的参数。
2022-09-28 cs.NE
How to Make Swarms Open-Ended? Evolving Collective Intelligence Through a Constricted Exploration of Adjacent Possibles
我们提出了一种开放式的进化方法，通过模拟群体动力学。在自然界中，群集具有显着的特性，这使得许多生物，从群集细菌到蚂蚁和群集鸟类，能够形成更高层次的结构，增强它们作为一个群体的行为。群模拟强调了创造新颖性和多样性的三个重要因素：（a）通信产生组合合作动态，（b）并发允许时间尺度的分离，（c）复杂性和规模的增加推动系统向创新过渡。我们说明了这三个组成部分在一个模型中计算的不断演变的一群代理。结果分为三个不同的应用，展示了新兴结构如何能够通过记忆瓶颈过滤信息，在模拟环境中产生有意义的新颖性和多样性。
2019-03-19 cs.DC cs.MA cs.NE
Conversational Swarm Intelligence, a Pilot Study
本研究提出Conversational Swarm Intelligence (CSI)方法，利用LLM驱动的对话代理结合小群体审议与大规模集体智能，使大型群体能实时网络化对话，实验表明CSI结构使参与者贡献量提升30%且参与更均衡。
2023-08-31 cs.HC cs.NE
A Quantum-inspired Hybrid Swarm Intelligence and Decision-Making for Multi-Criteria ADAS Calibration
Amity University Uttar Pradesh（阿密蒂大学北方邦分校）
本文提出了一种基于量子启发混合群体智能的多目标优化方法，用于提升ADAS校准的性能和适应性。
2026-02-04 cs.NE
Why Flow Matching is Particle Swarm Optimization?
University of Science and Technology of China（中国科学技术大学）
本文从数学形式、演化框架和常微分方程动力系统角度揭示 flow matching 与 PSO 的对偶关系，为混合算法和统一分析框架提供理论基础。
2025-07-28 cs.AI cs.LG cs.NE
Aerial Secure Collaborative Communications under Eavesdropper Collusion in Low-altitude Economy: A Generative Swarm Intelligent Approach
本文研究低空经济中AAV集群防窃听者合谋的安全通信问题，提出一种基于CVAE的生成式群体智能（GenSI）框架，通过优化波束成形和能耗的多目标问题，在保证安全性的同时大幅降低计算开销与执行时间。
2025-03-02 cs.NE eess.SP
Refined Particle Swarm Intelligence Method for Abrupt Motion Tracking
University of Malaya（马来亚大学）；University of West England（西英格兰大学）；Kingston University（金斯顿大学）
传统的跟踪解决方案是不可行的，在处理突然的运动，因为他们是基于平滑的运动假设或准确的运动模型。突然运动不受运动连续性和平滑性的影响。为了缓解这一点，我们认为跟踪是一个优化问题，并提出了一种新的基于群体智能的突变运动跟踪器-SwaTrack。与现有的基于群的过滤方法不同，我们首先引入了一个优化的基于群的采样策略，在搜索最优建议分布的搜索空间的探索和利用之间进行权衡。其次，我们提出了动态加速参数（DAP）允许动态调整的最佳均值和方差的分布采样。这种创新性的思想是将这些策略巧妙地结合到粒子群算法框架中来处理突变运动，这是迄今为止还没有发现的，定量和定性的实验结果都表明了该方法在跟踪突变运动方面的有效性。
2014-10-14 cs.CV cs.NE
Swarm Intelligence Based Multi-phase OPF For Peak Power Loss Reduction In A Smart Grid
最近，人们越来越关注使用计算智能来提高智能电网的效率。未来智能电网的一个关键挑战是设计最优潮流工具来解决包括最优DG容量在内的重要规划问题。虽然，一些OPF工具存在的平衡网络，但缺乏对不平衡多相配电网的研究。本文提出了一种新的最优潮流技术，用于智能电网的分布式电源容量规划。在该算法的制定过程中，多相配电系统被认为是不平衡负载，电压控制和无功补偿装置。该算法是建立在一个共同的仿真框架，通过适应收缩因子粒子群优化优化的目标。采用IEEE 8500节点标准配电系统对所提出的多相最优潮流技术进行了验证。
2014-08-21 cs.CE cs.NE
Beer Organoleptic Optimisation: Utilising Swarm Intelligence and Evolutionary Computation Methods
食品特性的定制是一项具有挑战性的任务，涉及优化生产过程，并需要支持旨在确保替代品存在的计算创造力。本文讨论了个性化的啤酒属性在特定情况下的工艺啤酒的生产过程更灵活。我们调查的问题，通过使用三个群体智能和演化计算技术，使酿酒师映射的物理化学特性，以目标感官特性，设计一个特定的酿造。虽然有几种工具，使用原始的数学和化学公式，或机器学习模型，处理基于预定量的成分确定啤酒特性的过程，下一步是研究自动定量成分选择方法。这个过程是由一些实验设计的工艺啤酒，其中的结果进行了调查，“克隆”流行的商业品牌的基础上，他们的已知属性。算法性能的评估使用准确性，效率，可靠性，人口多样性，迭代为基础的改进和解决方案的多样性。所提出的方法允许发现新的食谱，个性化和替代高保真再现现有的。
2020-04-07 cs.NE
HQSI: Hybrid Quantum Swarm Intelligence -- A Case Study of Online Certificate Status Protocol Request Flow Prediction
Chunghwa Telecom Laboratories（中華電信實驗室）
本研究提出混合量子蚁群智能算法，通过量子神经网络与经典蚁群算法结合，实现在线证书状态协议请求流预测的高精度误差降低。
2025-05-23 cs.NE quant-ph
Multiscale Astrocyte Network Calcium Dynamics for Biologically Plausible Intelligence in Anomaly Detection
University of Essex（埃塞克斯大学）
本文提出受星形胶质细胞钙信号启发的Ca²⁺调制学习框架，将多细胞钙动力学模拟器与深度神经网络结合，在CTU-13网络流量异常检测中实现约98%准确率并降低误报，且运行时开销可忽略。
2025-11-06 cs.AI cs.LG cs.NE
Optimization of Fuzzy Controller of a Wind Power Plant Based on the Swarm Intelligence
Novosibirsk State Technical University（新西伯利亚国立技术大学）
本文研究了基于模糊控制的风力发电系统的最优控制问题和模糊规则库的自动生成问题。专家的模糊规则并不总是提供风力发电厂的最大功率输出，并且在改变风力发电厂或环境的参数的情况下，模糊规则库需要调整。本研究提出了优化由不同专家编制的模糊规则库的方法。该方法基于粒子群优化算法将模糊规则的权值平衡到规则库中。实验表明，所提出的方法允许形成的模糊规则库作为一个示例性的最佳基地从一个非优化的模糊规则集。针对风电场的具体控制回路和风力的具体模糊模型，考虑了最优模糊规则库。
2020-06-14 cs.AI cs.NE cs.SY
A Hybrid Swarm Intelligence Approach for Optimizing Multimodal Large Language Models Deployment in Edge-Cloud-based Federated Learning Environments
Concordia University（康考迪亚大学）；Khalifa University（哈利法大学）；University of Waterloo（滑铁卢大学）；Aqaba University of Technology（亚喀巴技术大学）
针对边缘-云联邦学习环境中MLLMs部署的资源、通信及数据挑战，提出混合群体智能框架，通过PSO选设备、ACO优化传输，实现边缘部署+云端训练+边缘微调，显著提升准确率（92%）、降低通信成本（30%）并提高客户端参与度。
2025-02-04 cs.AI cs.LG cs.NE
Learning Strategies in Particle Swarm Optimizer: A Critical Review and Performance Analysis
Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）；Department of Mathematics and Computing, Dr. B.R. Ambedkar National Institute of Technology Jalandhar（德拉·B·R·阿姆贝卡尔国家理工学院贾兰德哈尔分校数学与计算系）；KINDI Computing Research Center, College of Engineering, Qatar University（卡塔尔大学工程学院KINDI计算研究中心）
针对粒子群优化（PSO）中学习策略缺乏全面系统分析的问题，本文综述分类了各类学习策略并评估其对优化性能的影响，通过对比实验分析策略对搜索动态的作用，还探讨了开放挑战与未来方向。
2025-04-16 cs.AI cs.NE
Dual approach for object tracking based on optical flow and swarm intelligence
S.A.Jaipuria College（S.A.贾伊普里亚学院）；Indian Statistical Institute（印度统计研究所）
在计算机视觉中，目标跟踪是一个非常古老而复杂的问题，虽然已有多种目标跟踪算法，但仍存在许多问题有待解决。例如光照变化、噪声、遮挡、运动目标的突然启动和停止、阴影等，使得目标跟踪不仅在动态背景下是一个复杂的问题，而且在静态背景下也是一个复杂的问题。本文提出了一种基于光流和群体智能的双重目标跟踪方法。基于光流的KLT（Kanade-Lucas-Tomasi）跟踪器，从视频序列的第一帧到最后一帧跟踪目标对象的主导点;而基于群体智能的粒子群算法（粒子群优化）跟踪器从同一视频序列的第二帧到最后一帧同时跟踪目标对象的边界信息。这种跟踪的双重功能使得跟踪器非常鲁棒，针对上述问题。我们的方法的灵活性是，它可以成功地适用于在可变背景以及静态background.We比较性能的建议的双重跟踪算法与几个基准数据集，并获得非常有竞争力的结果，在一般情况下，我们获得了优越的结果，使用双重跟踪算法。我们还比较了所提出的双跟踪器的性能与现有的一些基于粒子群算法的跟踪，并取得了更好的效果。
2021-08-01 cs.CV cs.NE
Optimizing Carbon Footprint in ICT through Swarm Intelligence with Algorithmic Complexity
本研究针对ICT行业高能耗导致的碳排放问题，提出利用群体智能优化碳足迹评估，通过构建凸优化问题量化不同算法的资源强度与环境影响。
2025-01-20 cs.NE physics.comp-ph
Utilizing a digital swarm intelligence platform to improve consensus among radiologists and exploring its applications
UCSF（加州大学旧金山分校）
如今，放射科医生在做出诊断决策和为训练人工智能标记图像方面发挥着关键作用。算法在解释具有挑战性的病例时，可以看到专家之间的阅读者间可靠性（IRR）较低。虽然基于团队的决策被认为优于个人决策，但人际偏见往往在群体互动中蔓延，限制了非主导参与者表达真实意见。为了克服低共识和人际偏见的双重问题，我们探索了一种模拟蜜蜂生物群的解决方案。两个单独的队列;三名放射科医师和五名放射科住院医师在数字群平台上以实时的和盲态方式合作，对膝关节MR检查中的关节病变进行分级。这些共识投票以临床（关节镜检查）和放射学（最资深的放射科医生）观察结果为基准。将一致投票的IRR与两个队列的多数和最有信心投票的IRR进行比较，放射科医生队列的群体投票IRR比多数投票提高了23%。类似的改善23%的内部回报率在3居民群体投票超过多数票，观察。5个居民的群体在IRR上的改善甚至更高，比多数投票高出32%。群体共识投票也将特异性提高了50%。在放射科医生和居民队列中，群体共识投票优于个人和多数投票决定。5个居民的蜂群比3个居民的蜂群具有更高的IRR，表明蜂群规模增加的积极影响。出席和居民群体的表现也超过了最先进的人工智能的预测。算法利用数字群体平台改善了协议，并允许参与者表达无判断的意图，从而实现卓越的临床性能和强大的人工智能。训练标签
2021-09-06 cs.AI cs.DC cs.HC
Towards Swarm Calculus: Urn Models of Collective Decisions and Universal Properties of Swarm Performance
University of Paderborn（帕德博恩大学）
在群体智能中寻找具有普遍适用性的方法，目的是获得关于自然群体的新见解，并开发人工群体的设计方法。一个理想的解决方案可能是一个“群演算”，允许计算群的关键特征，如预期的群性能和鲁棒性的基础上只有几个参数。为了实现这一理想，人们需要找到具有高度通用性的方法和模型。在本文中，我们报告了两个模型，可能是例外的一般性的例子。首先，提出了一个抽象的模型，该模型描述了依赖于群体密度的合作和干扰之间的二分法的基础上的群体性能。典型的群体实验作为例子，以显示该模型如何适合几个不同的结果。其次，我们给出了一个抽象的集体决策模型，它的灵感来自瓮模型。正反馈概率的影响，即随着时间的推移，在决策系统中增加，理解的帮助下的参数，控制基于群体的当前共识的反馈。几个适用的方法，如马尔可夫过程的描述，分裂概率的计算，平均首次通过时间，和测量的正反馈，进行了讨论，并应用到人工和自然群体的报告。
2013-03-18 cs.AI cs.NE
Review of Swarm Intelligence-based Feature Selection Methods
University of Kurdistan（库尔德斯坦大学）；Queensland University of Technology（昆士兰科技大学）；University of Applied Science and Technology（应用科学与技术大学）
在过去的几十年中，计算机和数据库技术的快速发展导致了大规模数据集的快速增长。另一方面，具有需要高速度和高精度的高维数据集的数据采掘应用正在迅速增加。这些应用程序的一个重要问题是维数灾难，其中特征的数量远远高于模式的数量。降维方法之一是特征选择，它可以提高数据采掘任务的准确性，降低其计算复杂性。特征选择方法旨在选择具有最低内部相似性和与目标类的最高相关性的特征子集。它通过消除不相关、冗余或噪声数据来降低数据的维度。本文对不同的特征选择方法进行了比较分析，并对这些方法进行了一般性的分类。此外，本文研究了最新的群体智能算法，并对基于这些算法的特征选择方法进行了综述。此外，对不同的基于群体智能的特征选择方法的优缺点进行了评价.
2020-08-07 cs.LG cs.NE stat.ML
Optimized Spatial Partitioning via Minimal Swarm Intelligence
优化的空间分割算法是许多成功的试验设计和统计方法的基石。在这些算法中，质心Voronoi曲面细分（CVT）是最广泛使用的。基于CVT的方法需要空间边界的全局知识，不容易允许加权区域，具有挑战性的实现，并且低效地扩展到高维空间。我们描述了两个简单的分区计划的基础上最近的和下一个最近的邻居的位置，很容易将这些功能在最佳位置的轻微代价。还包括一些新的定性技术，评估这些分区计划。考虑了利用这些算法的自主不知情的传感器网络的可行性。文中还对粒子群优化算法在两个空间中初始位置划分的多峰测试函数上的结果进行了改进。本文描述的所有新算法的伪代码可在本文的补充信息中获得。
2017-01-19 cs.NE stat.ME
Swarm Programming Using Moth-Flame Optimization and Whale Optimization Algorithms
Bankura Unnayani Institute of Engineering（班库拉乌纳亚尼工程学院）
自动编程（AP）是机器学习（ML）的一个重要领域，其中计算机程序是自动生成的。群编程（Swarm Programming，SP）是近年来新兴的一个研究领域，它利用群体智能（Swarm Intelligence，SI）算法自动生成计算机程序。本文提出了两种基于语法的SP方法：语法飞蛾火焰优化器（GMFO）和语法鲸鱼优化器（GWO）。蛾焰优化器和鲸鱼优化算法分别用作GMFO和GWO中的搜索引擎或学习算法。所提出的方法进行了测试圣达菲蚂蚁步道，四次符号回归，3输入多路复用器的问题。并与语法蜂群算法（GBC）和语法焰火算法（GFWA）进行了比较.实验结果表明，所提出的SP方法可以用于计算机程序的自动生成。
2020-04-25 cs.AI cs.NE
Second Order Swarm Intelligence
这里描述了一种人工蚁群系统（ACS）算法，用于解决通用组合优化问题（COP），该算法通过包含负信息素来扩展先前的AC模型[21]。几个旅行商问题（TSP）作为基准。我们表明，通过使用两套不同的信息素，二阶协同进化的妥协之间的正反馈和负反馈实现了更好的结果比单一的正反馈系统。该算法进行了测试，对已知的NP完全组合优化问题，对称TSP的运行。我们表明，新算法与这些基准相比，具有优势，因此Robinson [26，27]和Gruter [28]最近的生物学发现，其中“禁止进入”信号和负反馈允许殖民地快速重新分配其大部分觅食者到优越的食物斑块。这是第一次扩展ACS算法实现这些成功的特点。
2013-06-13 cs.NE
The Whale That Outswam Evolution: Swarm Intelligence Maximises Memory in Connectome Reservoirs
University of Murcia（穆尔西亚大学）；University of Pisa（比萨大学）
应用四种无梯度生物启发优化器优化六物种连接组储备池的边权重，在所有任务和物种上均优于未优化的生物基线，鲸鱼优化算法实现最大提升（记忆容量提升17倍，均方根误差降低89%），表明生物权重是拓扑无法替代的必要归纳偏置。
2026-06-05 cs.AI cs.NE
DeepSwarm: Optimising Convolutional Neural Networks using Swarm Intelligence
Department of Computing Science, University \ Aberdeen, Aberdeen AB24 3UE, UK
在本文中，我们提出了DeepSwarm，一种基于群体智能原理的新型神经结构搜索（NAS）方法。DeepSwarm的核心是使用蚁群优化（ACO）来生成蚂蚁种群，蚂蚁种群使用信息素信息来集体搜索最佳神经架构。此外，通过使用局部和全局信息素更新规则，我们的方法确保开发和探索之间的平衡。最重要的是，为了使我们的方法更有效，我们将渐进式神经架构搜索与权重可重用性相结合。此外，由于ACO的性质，我们的方法可以结合启发式信息，可以进一步加快搜索过程。经过系统和广泛的评估，我们发现，在三个不同的数据集（MNIST，Fashion-MNIST和CIFAR-10）相比，现有的系统，我们提出的方法表现出竞争力的性能。最后，我们将DeepSwarm开源为NAS库，希望它能被更多的深度学习研究者和实践者使用。
2019-05-17 cs.LG cs.NE stat.ML
Hybrid Ant Swarm-Based Data Clustering
South Dakota School of Mines and Technology（南达科他矿业理工学院）
生物启发的计算技术在包括数据聚类在内的许多研究领域都非常有效和有用。蚁群聚类算法是一种受自然启发的聚类技术，已经被广泛研究了二十多年。在这项研究中，我们扩展了蚂蚁聚类算法（ACA）的混合蚂蚁聚类算法（hACA）。具体来说，我们包括一个遗传算法在标准ACA扩展的混合算法，以获得更好的性能。我们还引入了新的拾取和丢弃规则，以加快聚类性能。我们研究了hACA算法的性能，并与标准ACA作为基准进行比较。
2021-07-11 cs.LG cs.NE
AdaSwarm: Augmenting Gradient-Based optimizers in Deep Learning with Swarm Intelligence
Center for AstroInformatics (Astrirg)（天文信息学中心（Astrirg））；BITS Pilani（pilani比拉斯科技学院）；CINVESTAV-IPN（国家理工学院高级研究中心）；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心）；Ikerbasque（巴斯克科学基金会）；ML Square；Indian Institute of Technology Patna（巴特那印度理工学院）
AdaSwarm是一种无梯度优化器，通过提出的EMPSO近似梯度，性能媲美Adam，能处理多种损失函数，包括MAE。
2021-05-19 cs.LG cs.NE stat.ML
A hybrid bat algorithm
群体智能是用于优化目的的非常强大的技术。本文在蝙蝠算法的基础上提出了一种新的群体智能算法。Bat算法与差分演化策略相结合。除了显示出非常有前途的结果的标准基准函数，这种杂交也显着改善了原来的蝙蝠算法。
2013-06-05 cs.NE
A Brief Review of Nature-Inspired Algorithms for Optimization
群体智能和仿生算法是受自然启发的新算法研究的热点。这些受自然启发的元启发式算法可以基于群体智能、生物系统、物理和化学系统。因此，这些算法可以被称为基于群体智能的，生物启发的，基于物理学的和基于化学的，这取决于灵感的来源。虽然不是所有的算法都是有效的，但一些算法已经被证明是非常有效的，因此已经成为解决现实问题的流行工具。有些算法研究得不够。本文的目的是提供一个相对全面的列表，所有的算法在文献中，以启发进一步的研究。
2013-07-16 cs.NE
From Artificial Intelligence to Brain Intelligence: The basis learning and memory algorithm for brain-like intelligence
大脑学习和记忆的算法仍然没有确定。人工神经网络的反向传播算法被认为不适用于大脑皮层，而记忆印迹的算法也缺乏。我们设计了一个大脑版本的反向传播算法，这是生物学上合理的，可以实现与虚拟神经元完成图像分类任务。提出了一种能自动分配记忆印迹单元的编码算法，该算法是记忆印迹理论的一种算法实现，可以模拟海马实现快速联想记忆的过程。LTP和LTD在小脑中的作用也在算法水平上得到了解释。我们的研究结果提出了一种方法，为大脑部署反向传播算法，和稀疏编码方法的记忆印迹理论。
2020-10-07 cs.AI cs.NE
Modelling Open-Source Software Reliability Incorporating Swarm Intelligence-Based Techniques
针对开源软件可靠性增长建模中非线性参数估计困难的问题，提出使用萤火虫、灰狼等七种群体智能优化算法优化基于非齐次泊松过程的参数估计，并在两个真实数据集上验证了其有效性和令人鼓舞的性能。
2024-01-05 cs.NE cs.SE
Transformer-Guided Swarm Intelligence for Frugal Neural Architecture Search
本文提出基于Transformer与人工蜂群算法结合的节俭神经架构搜索框架，通过动态熵机制防过早收敛，解决“冷启动”问题。在CIFAR-10及信用卡欺诈检测任务中表现出色，能发现高效、参数少的模型，适合边缘部署。
2026-07-14 cs.AI cs.LG cs.NE
BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles
Accel Middle College（阿克塞尔中学）；Harvard Medical School & Massachusetts General Hospital（哈佛医学院与麻省总医院）
BioNIC通过连接组学原理构建生物启发神经网络，在情绪分类任务中实现与传统模型相当的性能。
2026-01-20 cs.NE
Optimal Flexural Design of FRP-Reinforced Concrete Beams Using a Particle Swarm Optimizer
FRP加固混凝土梁的横截面设计是一个迭代过程，估算其尺寸和配筋率，然后检查是否符合一些强度和可用性约束。这个过程一直持续到找到一个合适的解。由于问题有无穷多个解，因此定义一些最优性准则来衡量不同解的相对优度似乎很方便。本文旨在开发一个初步的最低成本截面设计模型，遵循ACI 440.1 R-06中的建议，并使用一个相对较新的人工智能技术，称为粒子群优化（PSO）来处理优化任务。后者是基于一个群体中一些相对不聪明的个体之间的低层次互动所产生的智力。
2021-01-25 cs.NE math.OC
Multi-Cohort Intelligence Algorithm: An Intra- and Inter-group Learning Behavior based Socio-inspired Optimization Methodology
提出了一种新的社会启发式优化领域的多队列智能（Multi-CI）元启发式算法。该算法实现了组内和组间学习机制。它侧重于不同群体之间的互动。通过求解维数不超过30的75个无约束测试问题验证了算法的性能。并与粒子群优化算法、协方差矩阵自适应演化策略、人工蜂群算法、自适应差分进化算法、综合学习粒子群优化算法、回溯搜索优化算法和意识形态算法进行了比较。采用Wilcoxon符号秩检验进行统计分析和性能验证。建议的多CI优于这些算法的解决方案的质量，包括目标函数值和计算成本，即计算时间和功能评价。讨论了Multi-CI算法的特点和局限性。此外，还解决了一个说明性的例子，并提供了每一个细节。
2018-05-01 cs.NE
Recent Trends in the Use of Statistical Tests for Comparing Swarm and Evolutionary Computing Algorithms: Practical Guidelines and a Critical Review
进化和群体智能算法设计的一个关键方面是研究它们的性能。统计比较也是得出可靠结论的关键部分。在本文中，我们收集和研究从不同角度采取的方法，总结这些统计检验的假设，得出的结论和正确执行这些假设所遵循的步骤。在本文中，我们进行了一项调查的统计分析的算法比较的建议，目前的趋势，包括这些测试的统计背景的描述。我们在IEEE演化计算大会（CEC）2017的单目标实参数优化竞赛中说明了最常见测试的使用，并描述了使用每种测试的主要优点和缺点，并提出了一些关于其使用的建议。
2020-02-21 cs.NE stat.ME
