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
Is swarm intelligence able to create mazes?
本文提出了将计算智能应用于棋类游戏，特别是迷宫的创作过程中的思想。对于两种不同的算法，所提出的想法已被检查。实验的结果显示和讨论目前的优点和缺点。
2016-01-25 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
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
Beyond Algorithm Evolution: An LLM-Driven Framework for the Co-Evolution of Swarm Intelligence Optimization Algorithms and Prompts
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
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
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
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
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
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
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
The Society of HiveMind: Multi-Agent Optimization of Foundation Model Swarms to Unlock the Potential of Collective Intelligence
ETH Zurich（苏黎世联邦理工学院）
本文提出 Society of HiveMind（SOHM）框架，依据进化理论协调多个基础模型交互；实验显示其显著提升逻辑推理任务，但对现实知识任务收益有限，证明多样化模型可形成自我改进的人工集群智能。
2025-03-13 cs.AI cs.NE
Swarm Intelligence for Multiobjective Optimization of Extraction Process
Universiti Technologi Petronas（马来西亚国家石油大学）
多目标（MO）优化是一个新兴的领域，越来越多地在全球许多行业中实施。本研究对栀子果实中生物活性物质的提取工艺进行了MO优化。三个基于群体的算法已被应用结合正常边界相交（NBI）的方法来解决这个MO问题。在这项工作中的引力搜索算法（GSA）和粒子群优化（PSO）技术的实现。此外，一种新的Hopfield增强粒子群优化算法的开发和应用到提取问题。通过对优势度的度量，对所有算法产生的近似Pareto边界的最优性进行了度量和比较。此外，通过测量前沿的收敛水平，揭示了一些关于客观空间结构与前沿优势水平之间关系的理解。详细的比较研究进行了所有的算法，并在这项工作中开发。
2016-09-30 cs.AI cs.NE
Particle Swarm Optimization in 3D Medical Image Registration: A Systematic Review
医学图像配准试图找到最佳的空间变换，最好地对齐底层解剖结构。这些问题通常需要优化的相似性度量。群体智能技术是一种非常有效的优化方法。本文系统综述了基于粒子群优化算法的三维医学图像配准
2023-02-22 cs.NE
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
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
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
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
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
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
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
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
Robotic Brain Storm Optimization: A Multi-target Collaborative Searching Paradigm for Swarm Robotics
群体智能优化算法可以用于群体机器人中的目标搜索任务在2-D或3-D空间通过处理目标信号强度作为适应值。目前文献中的许多工作在单目标搜索问题上取得了良好的性能。但是，当一个环境中有多个目标需要搜索时，许多基于群体智能的方法可能会过早地收敛到特定的位置，从而无法进一步探索环境。头脑风暴优化（Brain Storm Optimization，BSO）算法模仿一群人集体解决问题。一系列的引导搜索可以最终获得特定优化问题的相对最优解。此外，通过适当的聚类操作，它具有更好的多模态优化性能，即，它可以在目标空间中找到多个最优解。通过在环境约束和机器人约束条件下将机器人群体中的成员与算法中的个体进行匹配，提出了一种基于BSO的群体机器人协作搜索框架Robotic BSO。仿真结果表明，该方法能够模拟BSO的引导搜索特性，在解决群体机器人多目标搜索问题中具有良好的应用前景。
2021-05-27 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
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
A new simplified MOPSO based on Swarm Elitism and Swarm Memory: MO-ETPSO
本文提出MO-ETPSO算法，将NSGA-II的拥挤距离等策略与PSO结合，并引入群体记忆和群体精英主义，在绿色车辆路径问题上相比NSGA-II取得更优的求解结果和收敛性。
2024-02-20 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
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
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
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
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
Proximity-based Networking: Small world overlays optimized with particle swarm optimization
在大型、动态、分布式系统中，信息传播是一个基本且经常发生的问题。为了解决这个问题，人们越来越关注创建可以维护分散式对等网络的高效覆盖网络。在这些覆盖网络中，节点采用小世界网络的模式，其连接基于邻近性。这些小世界系统在互联网网络中的信息传播和查找方面非常有用。通过前向纠错（FEC）和用户数据报协议（UDP），数据可以有效地传输和路由，信息损失最小。我们提出了一个网络方案，将地理位置的和弦组织内的每个节点的分区密钥空间的同行。当我们将其与基于邻近度的邻域集（基于小世界结构）相结合时，我们可以模仿设计用于解决传统小世界问题的解决方案的效率，并具有弹性和容错的额外好处。此外，路由和地址簿可以基于邻居要求来更新。我们提出的方案的灵活性，使各种群体模型和代理。这使我们的网络能够作为一个底层网络模型，可以应用于文件共享，流媒体和网络同步。
2020-06-07 cs.NE cs.NI
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
A Bi-population Particle Swarm Optimizer for Learning Automata based Slow Intelligent System
University of Pittsburgh（匹兹堡大学）
粒子群优化（PSO）是一种进化算法（EA），它利用粒子群来解决优化问题。Slow Intelligence System（SIS）是一个学习框架，它通过一系列操作来慢慢学习问题的解决方案。此外，学习自动机（LA）是微小但有效的决策实体，最适合作为控制器组件。在本文中，我们结合两个孤立的人口粒子群算法，打造自适应智能优化（AIO），利用双人口粒子群算法的优势，以摆脱局部极小值，避免过早收敛。此外，利用SIS的丰富框架和LA衍生的漂亮的控制理论，我们发现SIS和LA之间的完美匹配，其中缓慢行动是两者的支柱。SIS和LA都需要时间来收敛到最优决策，这使得AIO能够优于标准PSO，在进化优化基准函数上具有无与伦比的性能。
2018-04-03 cs.AI cs.NE
Large Language Models as Particle Swarm Optimizers
本文提出语言模型粒子群优化（LMPSO），将大语言模型融入粒子群优化框架，用提示表示粒子速度以生成候选解，并在旅行商问题、启发式改进和符号回归上验证了其对结构化序列优化问题的有效性。
2025-04-12 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
Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem
Novosibirsk State Technical University（新西伯利亚国立技术大学）
研究了粒子群优化算法在调度问题中的应用。为了提高算法的性能，实现了粒子速度约束和进化元优化。该方法采用遗传算法进行粒子群优化参数的选择。在作业车间调度问题的测试任务上进行了实验。这项研究证明了该方法的适用性，并显示了调整群体智能方法的行为参数，以实现高性能的重要性。
2020-06-19 cs.AI cs.NE
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
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
BSAS: Beetle Swarm Antennae Search Algorithm for Optimization Problems
甲虫天线搜索算法是一种有效的元启发式算法。然而，BAS的收敛结果严重依赖于在每次迭代的随机甲虫方向。更具体地，不同的随机种子可能导致不同的优化结果。此外，BAS的步长更新算法不能保证目标在迭代过程中变小。为了解决这些问题，本文提出了一种结合群体智能算法和基于反馈的步长更新策略的甲虫群搜索算法（BSAS）。BSAS使用k个甲虫在每次移动中找到更优的位置，而不是一个甲虫。步长仅在k甲虫返回时没有更好的选择时更新。对建筑物系统辨识进行了实验研究。实验结果表明，BSAS算法有效地避免了Beetle随机方向的影响。此外，估计误差随着甲虫数量的增加而减小。
2018-07-27 cs.NE
