EvoGrad: Metaheuristics in a Differentiable Wonderland
本文提出 EvoGrad 统一可微分框架，将进化计算与群体智能算子改造为可通过反向传播端到端优化的形式，并在基准函数和小型 NN 回归任务上验证其优于传统无梯度元启发式算法。
2025-05-28 cs.NE
Nauplius Optimisation for Autonomous Hydrodynamics
La Trobe University（拉特罗布大学）
本文提出NOAH算法，结合水流感知漂移、不可逆锚定和群体通信，解决水下集群机器人在强流和持续感知中的优化问题。
2025-11-24 cs.NE cs.RO
Rapidly adapting robot swarms with Swarm Map-based Bayesian Optimisation
University of Southampton（南安普顿大学）
针对集群机器人应对环境扰动的性能恢复难题，提出SMBO和SMBO-Dec两种基于Swarm Map的贝叶斯优化算法，通过搜索控制器存档实现快速行为适应，在多种干扰实验中最多30次评估内性能提升达80%。
2020-12-21 cs.AI cs.MA cs.NE
Honeybees-inspired heuristic algorithms for numerical optimisation
群体智能就是发展集体行为来解决复杂、结构不良和大规模的问题。集体行为的效率取决于如何协调个人的贡献，以便实现互补的集体努力，提供有用的解决方案。组织和谐的要点仍然是适当地管理多样化和集约化行动，集体行为的效率取决于适当地混合这两种行动。在这项研究中，两个群体智能算法的灵感来自自然蜂群已概述了许多方面和两个新的修订和混合版本进行了研究，以提高效率，解决数值优化问题，这是众所周知的硬基准。因此，修订，特别是提出的混合算法在解决这些非常困难的数值优化基准优于原来的两个蜜蜂算法。
2015-04-22 cs.NE
Can Bio-Inspired Swarm Algorithms Scale to Modern Societal Problems
从大自然中汲取灵感的元认知学已经被证明是流行的，并且相对成功。许多人受到昆虫、鱼类和鸟类所展示的集体智慧的启发。然而，有一个问题，他们的可扩展性，在现代世界经历的复杂问题的类型。自然系统的进化是为了有效地解决简单的问题，复制这些过程来解决复杂的问题可能会效率低下。有几个因素会影响可伸缩性;计算复杂性、内存需求或纯粹的问题棘手性。支持证据使用蚁群优化（ACO）的案例研究，解决日益复杂的现实世界的车队优化问题。本文假设，与常见的直觉相反，生物启发的集体智慧技术，其本质表现出很差的可扩展性，在高维的情况下，需要大程度的决策。促进生物启发算法的扩展需要减少这种决策。为了支持这一假设，提出了一种增强的Partial-ACO技术，有效地减少蚂蚁决策。将蚂蚁所需的决策减少高达90%，从而显著提高效率，并减少日益复杂的车队优化问题的运行时间。对于多达45辆车和437个作业的问题，可以减少40-50%的遍历时间。
2019-05-20 cs.NE
CriPS: Critical Dynamics in Particle Swarm Optimization
粒子群优化（PSO）利用动力学系统来解决搜索任务。而不是增加搜索偏差，以提高性能在某些问题中，我们的目标是通过控制群的机制，是无标度的，除了可能的抑制超出系统大小的规模，以消除算法引起的规模。通过这种方式，由于大规模探索和局部搜索的平衡，实现了非常有希望的性能。由此产生的算法显示了自组织临界性的证据，通过群的内在动力学，因为它与目标函数相互作用，而不是被明确指定。临界粒子群（CriPS）可以很容易地与许多现有的扩展，如混沌探索，额外的力项或非平凡的拓扑结构相结合。
2014-02-27 cs.NE
Particle Swarm Optimisation for Evolving Deep Neural Networks for Image Classification by Evolving and Stacking Transferable Blocks
Victoria University of Wellington（惠灵顿维多利亚大学）
深度卷积神经网络（Deep Convolutional Neural Networks，CNN）已广泛应用于图像分类任务，但设计CNN架构的过程非常复杂，因此自动搜索最优CNN架构的神经架构搜索（Neural Architecture Search，NAS）吸引了越来越多的研究兴趣。然而，NAS的计算成本通常太高，无法将NAS应用于实际应用。在本文中，一个有效的粒子群优化方法命名为EPSO CNN提出了进化CNN架构的启发，迁移学习的想法。EPSOCNN通过将搜索空间最小化为单个块并在进化过程中利用训练集的一个小子集来评估CNN，成功地降低了计算成本。同时，EPSOCNN还通过多次堆叠进化块以适应整个数据集来保持非常有竞争力的分类精度。在CIFAR-10数据集上对所提出的EPSOCNN算法进行了评估，并与由手工制作的深度CNN组成的13个同行竞争对手进行了比较，通过强化学习方法学习并通过演化计算方法进化，在分类精度，参数数量和计算成本方面优于所有同行竞争对手，显示出非常有前途的结果。
2020-03-21 cs.CV cs.LG cs.NE
Surrogate-assisted Particle Swarm Optimisation for Evolving Variable-length Transferable Blocks for Image Classification
Victoria University of Wellington（惠灵顿维多利亚大学）
深度卷积神经网络已经在图像分类任务上表现出了有前途的性能，但是由于快速的深度增长和卷积神经网络日益复杂的拓扑结构，手动设计过程变得越来越复杂。因此，神经架构搜索已经出现，以自动设计性能优于手工制作的对应物的卷积神经网络。然而，计算成本是巨大的，例如，对于两个名为NAS和NASNet的优秀神经架构搜索工作，分别需要22，400 GPU-天和2，000 GPU-天，这激发了这项工作。提出了一种新的高效的代理辅助粒子群优化算法来自动进化卷积神经网络。这是通过提出一种新的代理模型，一种新的方法来创建一个代理数据集和一个新的编码策略来编码可变长度块的卷积神经网络，所有这些都被集成到一个粒子群优化算法，形成所提出的方法。所提出的方法显示其有效性，实现竞争出错率的3.49%的CIFAR-10数据集，18.49%的CIFAR-100数据集，和1.82%的SVHN数据集。由于代理模型和代理数据集实现了加速，因此所提出的方法可以在3个GPU天内从CIFAR-10有效地学习卷积神经网络块，以避免训练由粒子表示的80.1%的卷积神经网络块。无需进一步搜索，从CIFAR-10进化的块可以成功地转移到CIFAR-100和SVHN，这表现出所提出的方法学习的块的可转移性。
2020-07-03 cs.CV cs.LG cs.NE
ABCO: Adaptive Bacterial Colony Optimisation
本文提出模仿E. coli细菌觅食行为的自适应细菌群体优化算法(ABCO)，包含探索、利用和繁殖三阶段，实验证明其运行速度远快于PSO和ACO，且在非时间敏感场景下性能更优。
2025-05-02 cs.NE
Path Planning in a dynamic environment using Spherical Particle Swarm Optimization
本研究提出基于球形向量粒子群优化的无人机动态路径规划器，综合考虑路径长度、安全性和平滑度，在动态威胁环境下生成最优路径，相比PSO和GA成本降低330%至675%。
2024-03-19 cs.NE
SHS: Scorpion Hunting Strategy Swarm Algorithm
Indian Institute of Science Education and Research Bhopal（印度科学教育与研究学院博帕尔分校）；PARS-AI
本文提出受蝎子狩猎行为启发的SHS群智能优化算法，通过alpha和beta振动算子平衡开发与探索，在20个基准函数和6个实际任务中验证了其优于12种先进元启发式算法的性能。
2024-08-30 cs.AI cs.NE
PAO: A general particle swarm algorithm with exact dynamics and closed-form transition densities
University of Sheffield（谢菲尔德大学）
针对PSO算法变体性能提升空间有限的问题，提出兼具通用性与可解释性的粒子吸引子算法PAO，其转移密度可闭式精确计算，且基准测试显示其性能不逊于现有先进启发式优化算法。
2023-04-28 cs.LG cs.NE math.OC
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
Particle Swarms Reformulated towards a Unified and Flexible Framework
粒子群优化（PSO）算法自1995年首次提出以来，经历了无数的修改和调整。其中一些已经成为主流，而许多其他人没有被采纳，并逐渐消失。因此，无数的替代配方已被提出的程度上的问题出现了什么样的基本功能的算法必须属于PSO家庭。本文的目的是建立什么定义的PSO算法，并试图制定它的方式，它包括许多现有的变种。因此，在拟议的统一框架内，可以将不同版本的方法作为设置。此外，所提出的配方概括，简化和结合的方法提供更多的灵活性，每个粒子的行为的功能。轨迹差分方程的封闭形式得到，不同类型的行为被识别，随机性解耦，传统的全球功能，如社会计量学和约束处理被重新定义为粒子的属性。
2021-04-26 cs.NE
Enhancing network forensics with particle swarm and deep learning: The particle deep framework
物联网智能事物的普及程度正在上升，这是由于它们提供的自动化及其对生产力的影响。然而，事实证明，物联网设备容易受到成熟的和新的物联网特定攻击载体的攻击。在本文中，我们提出了粒子深度框架，这是一种用于物联网网络的新网络取证框架，它利用粒子群优化来调整深度MLP模型的超参数并提高其性能。PDF使用Bot-IoT数据集进行训练和验证，Bot-IoT数据集是一个当代网络流量数据集，结合了正常的物联网和非物联网流量以及众所周知的僵尸网络相关攻击。通过实验，我们表明深度MLP模型的性能得到了极大的提高，准确率达到99.9%，误报率接近0%。
2020-05-02 cs.CR cs.NE
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
An improved clustering-based multi-swarm PSO using local diversification and topology information
Department of Electrical and Electronic Engineering Science, University of Johannesburg, Johannesburg 2006, South Africa（电气与电子工程科学系，约翰内斯堡大学）；Department of Electrical and Mining Engineering, University of South Africa, Johannesburg 1710, South Africa（电气与采矿工程系，南非大学）
本文提出了一种改进的基于聚类的多群体PSO算法，通过局部搜索和拓扑信息分析提高峰检测率。
2025-11-14 cs.AI cs.NE
Performance Evaluation of Evolutionary Algorithms for Analog Integrated Circuit Design Optimisation
本文提出一种基于演化算法的模拟电路自动尺寸调整方法，通过粒子生成与修复边界函数实现定向搜索，修改并测试了四种算法，发现修改版人工蜂群算法在收敛速度和一致性上表现最优。
2023-10-19 cs.NE cs.SY eess.SY
Evolving Deep Convolutional Neural Networks by Variable-length Particle Swarm Optimization for Image Classification
Victoria University of Wellington（惠灵顿维多利亚大学）
卷积神经网络（CNN）是解决图像分类问题的最有效的深度学习方法之一，但解决特定问题的最佳CNN架构可能非常复杂且难以设计。本文的重点是利用粒子群优化（PSO）自动搜索CNN的最佳架构，而无需任何手动工作。为了实现这一目标，在传统粒子群算法的基础上，提出了三种改进方法。首先，提出了一种受计算机网络启发的新编码策略，该策略使粒子向量能够轻松地编码CNN层;其次，为了允许所提出的方法学习变长CNN架构，设计了Disabled层来隐藏粒子向量的某些维度以实现变长粒子;第三，由于大数据的学习过程很慢，因此随机选择部分数据集进行评估，以显着加快速度。在三个广泛使用的图像分类基准数据集上，对该算法进行了研究，并与现有的12种算法进行了比较。实验结果表明，该算法是一个强大的竞争对手的最先进的算法在分类错误。这是第一个使用PSO自动进化CNN架构的工作。
2018-03-17 cs.CV cs.NE
Improving Intelligence of Evolutionary Algorithms Using Experience Share and Replay
Massachusetts Institute of Technology（麻省理工学院）
我们提出了PESA，一种新的方法结合粒子群优化（PSO），演化策略（ES），模拟退火（SA）的混合算法，灵感来自强化学习。PESA通过将它们的解决方案存储在共享重放存储器中来混合这三种算法。接下来，PESA应用优先级重放，根据它们的适应度和优先级值，以频繁的形式在三种算法之间重新分配数据，这显着增强了样本多样性和算法探索。此外，贪婪重放被隐式地使用在SA中，以提高接近进化结束时的PESA利用率。对12个高维连续基准函数的验证显示出PESA对独立ES，PSO和SA的优越性能，在相似的初始起点，超参数和代数下。PESA显示出更好的探索行为，更快的收敛速度，以及找到全局最优解的能力。考虑到有前途的性能，PESA可以提供一个有效的优化选项，特别是在它经过额外的多处理改进来处理复杂和昂贵的健身功能之后。
2020-08-10 cs.LG cs.NE
Machine learning-assisted calibration of Agent-based Models: surrogate-based optimization with Genetic Algorithm and Particle Swarm Optimization
Pukyong National University（釜庆国立大学）
本研究提出将机器学习代理嵌入遗传算法和粒子群优化中，以校准基于智能体模型，通过筛选候选解减少模拟成本，实验表明在两种模型上显著提升精度并节省时间，且最佳配置随模型复杂度变化。
2026-09-15 cs.LG cs.MA cs.NE
