A Comparative Study on Parameter Estimation in Software Reliability Modeling using Swarm Intelligence
University of Mosul(摩苏尔大学)
本文重点比较了两种著名的Swarm算法:Cuckoo Search(CS)和Firefly Algorithm(FA)在软件可靠性增长模型参数估计中的性能。本研究进一步加强使用粒子群优化算法(PSO)和蚁群优化算法(ACO)。所有的算法进行评估,根据真实的软件故障数据,测试进行,并得到的结果进行比较,以显示所使用的算法的性能。此外,CS和FA也相互比较的基础上的执行时间和迭代次数。实验结果表明,CS是更有效地估计SRGMs的参数,它优于FA除了PSO和ACO为选定的数据集和使用的模型。
2020-03-08 cs.AI
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
Swarm Intelligence Enhanced Reasoning: A Density-Driven Framework for LLM-Based Multi-Agent Optimization
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
近年来,为了进一步丰富大语言模型(LLM)在推理场景下的复杂问题求解能力,提出了许多方法,如思想链(CoT)提示和多Agent辩论(MAD).然而,这些方法可能无法解决复杂的问题,由于缺乏找到最佳解决方案的能力。群体智能在传统的优化问题中已经成为一种强有力的寻优工具。为此,我们建议通过引入一种新的基于Agent的群体智能(ASI)范式,将群体智能集成到推理过程中。在这种模式中,我们制定LLM推理作为一个优化问题,并使用群体智能计划,以指导一组基于LLM的代理在协作搜索最优解。为了避免群体智能陷入局部最优,我们进一步发展了一个群体智能增强推理(SIER)框架,它发展了一种密度驱动的策略来增强推理能力。具体来说,我们建议进行核密度估计和非支配排序,以同时优化解决方案的质量和多样性。在这种情况下,SIER通过扩展推理路径的多样性,有效地增强了解空间的探索能力;此外,采用步骤级质量评价,通过纠正低质量的中间步骤,帮助Agent提高解的质量。然后,我们使用质量阈值来动态地控制探索的终止和候选步骤的选择,从而使推理过程更加灵活和高效。广泛的实验是…
2025-05-30 cs.AI cs.MA
Design and development of a software system for swarm intelligence based research studies
Usak University(乌沙克大学)
本文介绍了一个软件系统,包括广泛使用的群体智能算法或方法,用于相关的科学研究与主题领域的研究。该系统的编程基础设施允许在一个快速,易于使用,交互式平台上工作,以更有效,高效和准确的方式执行基于群体智能的研究。从这个意义上说,该系统采用了所有必要的控制算法,它确保了一个互动的平台上,计算机用户可以进行研究的范围广泛的解决方案与简单的问题,也更先进的问题。
2017-04-03 cs.AI cs.SE
LLM-Powered Swarms: A New Frontier or a Conceptual Stretch?
Lakeside Labs GmbH(莱克西德实验室)
本文针对OpenAI的Swarm框架实现的经典与LLM驱动的Boids、蚁群优化算法,评估其是否符合经典群体智能原则,发现LLM驱动群体虽能模拟类群体动态,但计算开销达经典版本的300倍,不适用于实时系统。
2026-08-28 cs.AI
Lifelong Testing of Smart Autonomous Systems by Shepherding a Swarm of Watchdog Artificial Intelligence Agents
University of New South Wales Canberra(新南威尔士大学堪培拉分校)
人工智能(AI)技术可以大致分为分析和自治。分析专注于提供感知,理解和预测从感官数据中收集的知识的算法。自主性围绕决策,并通过行动生产影响和塑造环境。智能自治系统(SAS)将分析和自治相结合,以自主理解、学习、决策和行动。要发挥作用,SAS必须值得信赖,这需要测试。SAS的终身学习使测试过程复杂化。在遥远的机会,它是可能的,以充分测试和认证的系统预发布,这在理论上是一个不可判定的问题,这是几乎不可能预测的未来行为,这些系统,单独或集体,将展示。虽然严格限制此类系统\textquoteright \学习能力以限制其行为的潜在不可预测性可能是可行的,但不期望的后果可能是严重限制其效用。在本文中,我们提出了一个看门狗AI(WAI)代理专用于SAS终身功能测试的体系结构。我们进一步提出了系统规范,包括一个抽象的层次,人类牧羊人的WAI代理群,以监督由人类和SAS的生态系统。讨论扩展到所提出的概念的挑战,优点和缺点。
2018-12-21 cs.AI
SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence
LMU Munich(慕尼黑大学);Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
针对现有智能体系统生成缺乏自主性的问题,提出SwarmAgentic框架,从零构建并联合优化智能体功能与协作,在六个任务上超越基线,显著提升性能。
2025-06-18 cs.AI cs.MA
Intelligence as information processing: brains, swarms, and computers
Lakeside Labs GmbH(湖畔实验室有限公司)
关于智能没有一个统一的定义,所以简单地问大脑、蜂群、计算机或其他系统是否智能是有问题的。为了比较不同认知系统所表现出的潜在智能,我使用了人工智能和人工生命常用的方法:让我们专注于它们的组织,而不是研究系统的底层。这个组织可以用信息来衡量。因此,我应用信息主义认识论来描述认知系统,包括大脑和计算机。这使我能够在不同的背景下框架脑机类比的有用性和局限性。我也用这个观点来讨论智能的进化和生态。
2021-08-09 cs.AI cs.IT math.IT
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
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
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
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
Missing Data Estimation in High-Dimensional Datasets: A Swarm Intelligence-Deep Neural Network Approach
University of Johannesburg(约翰内斯堡大学)
在本文中,我们研究了高维数据集的缺失数据的问题,考虑到完全随机缺失和随机缺失机制,以及任意缺失模式。此外,本文采用了基于深度学习和群体智能算法的方法,以便为缺失数据提供可靠的估计。深度学习技术用于通过基于输入对数据分布进行建模,经由无监督学习方法从输入数据中提取特征。然后将这种深度学习技术用作群体智能技术的目标函数的一部分,以便通过基于数据集中特征之间的相互关系和相关性最小化误差函数,在监督微调阶段之后估计缺失数据。因此,本文所研究的方法具有更长的运行时间,然而,有希望的潜在结果证明了这种权衡的合理性。此外,还需要具备统计学的基本知识。
2016-07-01 cs.AI cs.LG stat.ML
Interactive Restless Multi-armed Bandit Game and Swarm Intelligence Effect
Kitasato University(北里大学);Financial Services Agency(金融厅)
我们得到了在一个不安分的多臂强盗(rMAB)互动博弈中出现群体智能效应的条件。一个玩家与多个代理人竞争。每一个强盗都有一个收益,每一轮的概率为$p_{c}$。智能体和玩家选择三个选项之一:(1)利用(一个好的强盗),(2)创新(从$n_{I}$随机选择的强盗中学习一个好的强盗),(3)观察(一个好的强盗的社会学习)。每个代理都有两个参数$(c,p_{obs})$来指定决策:(i)$c$,利用的阈值,以及(ii)$p_{obs}$,学习中观察的概率。参数$(c,p_{obs})$均匀分布。我们确定的最佳策略的球员使用完整的知识rMAB。我们展示了在$(p_{c},n_{I})$空间中社会学习或非社会学习是否更优,并定义了群体智能效应。我们进行了一个实验室实验(67名受试者),并观察群体智能效应,只有当$(p_{c},n_{I})$被选择,使社会学习是远远优于非社会学习。
2015-03-13 cs.AI cs.LG physics.data-an
Two-Stage Swarm Intelligence Ensemble Deep Transfer Learning (SI-EDTL) for Vehicle Detection Using Unmanned Aerial Vehicles
Islamic Azad University(伊斯兰阿扎德大学);Shahid Beheshti University(沙希德·贝赫什提大学);Duy Tan University(维新大学);Urmia University(乌尔米耶大学);Khazar University(哈扎尔大学)
提出SI-EDTL两阶段集成深度迁移学习模型,结合多种预训练特征提取器与分类器,经鲸鱼优化调参,在AU-AIR数据集上实现优于现有方法的无人机车辆检测。
2025-09-09 cs.AI cs.CV
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
LLM-Assisted Iterative Evolution with Swarm Intelligence Toward SuperBrain
TransLab, Computer Science Department University of Brasilia(TransLab,计算机科学系巴西大学);Math Department Federal Institute of Brasilia(数学系巴西联邦理工学院)
本研究提出基于LLM与人类协同进化的SuperBrain群体智能框架,经GA辅助进化、群体协同等阶段形成具备自我改进能力的元智能,为可扩展可解释的群体AI提供基础与路线图。
2025-08-30 cs.AI cs.CL
Social and Business Intelligence Analysis Using PSO
本文的目标是阐述群体智能对商业智能决策和商业规则管理的改进。群体优化算法是群体优化算法,受生物行为的影响很大。空间数据被定义为由2D或3D图像表示的数据。到目前为止,SQL Server只支持2D图像。正如我们所知,位置是任何组织数据以及业务数据的重要组成部分,企业维护客户地址列表,拥有财产,从仓库运送货物,管理员工之间的运输流,并执行许多其他活动。也就是说,大量的空间数据被企业、组织和其他机构使用和处理,以使事物更加可见和自我描述。通过实验,我们发现粒子群算法可以促进社会和商业行为的智能化。
2016-08-25 cs.AI
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
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
Multi-Agent Systems Powered by Large Language Models: Applications in Swarm Intelligence
CY Cergy Paris University(CY塞尔吉-巴黎大学);Artificial Intelligence Research Institute (IIIA-CSIC)(人工智能研究所(IIIA-CSIC))
本研究提出将LLM驱动的提示词替换智能体硬编码程序,集成GPT-4o与NetLogo构建工具链,在蚁群觅食和鸟群聚集等群体智能场景中实现了自适应行为生成与涌现行为诱导。
2025-03-05 cs.AI cs.CL cs.LG
A Plant Root System Algorithm Based on Swarm Intelligence for One-dimensional Biomedical Signal Feature Engineering
本文提出基于群体智能的植物根系(PRS)特征提取算法,用于一维生物医学信号,其生成特征与传统特征相关性低,并能显著提升多种分类器准确率,有望推动更多生物医学信号进入临床诊断应用。
2021-07-31 cs.AI cs.LG
Self-Adaptive Swarm System (SASS)
University of Georgia(佐治亚大学)
分布式人工智能(DAI)研究协同工作的人工智能实体进行推理、计划、解决问题、组织行为和策略、做出集体决策和学习。这个博士研究提出了一个原则性的多智能体系统(MAS)合作框架-自适应群系统(SASS)-弥合感知,通信,规划,执行,决策和学习之间的第四级自动化差距。
2021-08-20 cs.AI cs.GT cs.LG
Towards Collective Superintelligence: Amplifying Group IQ using Conversational Swarms
Unanimous AI(Unanimous AI公司);Carnegie Mellon University(卡内基梅隆大学)
本文研究对话群体智能(CSI)平台在群体智商测试中的表现,发现约35人群体通过Thinkscape协作答题平均正确率达80.5%,相当于智商提高28分,表明CSI有望实现大规模集体超级智能。
2024-01-25 cs.AI cs.HC
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
Cyberswarm: a novel swarm intelligence algorithm inspired by cyber community dynamics
Cyberswarm算法通过动态超图建模和信息传递机制,提升推荐系统对用户偏好和社区动态的适应能力,实现跨领域精准推荐。
2025-12-14 cs.AI cs.SI
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
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
Shaping Influence and Influencing Shaping: A Computational Red Teaming Trust-based Swarm Intelligence Model
University of New South Wales(新南威尔士大学);University of Canberra(堪培拉大学)
社会技术系统是一个复杂的系统,不同参与者之间的非线性互动可能会模糊因果关系。缺乏机制来帮助我们理解如何在系统中创建更改,这使得管理这些系统变得困难。影响和塑造是社会运营商对社会技术系统采取行动,以设计变革。然而,这两个运营商通常是在一个特设的方式进行讨论,没有适当的指导模型和指标,帮助成功地采用这些模型。此外,这两个社会运营商依赖于对信任概念的准确理解。如果没有这样的理解,这些操作员都不能创建所需的水平,以在期望的方向上创建变化。在本文中,我们定义了这些概念,在一个简洁的方式适合建模的概念和理解他们的动态。然后,我们介绍了一个影响和塑造模型,并使用计算红队测试原则来设计和演示这个模型是如何运作的。我们通过模拟环境验证计算结果,以显示人工社会中的社会影响和塑造。
2018-02-26 cs.AI cs.MA
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
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 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
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
On the idea of a new artificial intelligence based optimization algorithm inspired from the nature of vortex
Usak University(乌沙克大学);Selcuk University(塞尔丘克大学)
本文从涡的本质出发,提出了一种新的基于人工智能的优化算法。作为一种生物启发的计算算法,该想法通常集中在自然界中的典型涡流/行为上,并从涡流性质的意义上发生的一些动力学中获得灵感。简单地说,该算法也是一种面向群的进化问题解决方法;因为它包括许多与消除弱群成员有关的方法,并试图通过新的群成员来支持解空间来改进解决过程。为了更好地了解算法的成功与否,通过一些基准测试函数对算法进行了测试。在这一点上,得到的结果表明,该算法可以替代文献中的单目标优化求解方式。涡优化算法(VOA)是作者为这种新的智能优化方法的思想建议的名称。
2017-04-03 cs.AI math.OC
FISHNET: Financial Intelligence from Sub-querying, Harmonizing, Neural-Conditioning, Expert Swarms, and Task Planning
J. P. Morgan AI Research(摩根大通人工智能研究院)
本文提出智能体架构 FISHNET,通过子查询、协调、神经条件化、专家集群与任务规划,从逾9.8万份异构监管文件中生成金融智能,并以消融实验验证其性能优势。
2024-10-25 cs.AI cs.CL cs.IR
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
Large-scale Group Brainstorming using Conversational Swarm Intelligence (CSI) versus Traditional Chat
Unanimous AI;Carnegie Mellon University(卡内基梅隆大学)
本研究通过75人群体实验,比较了对话群体智能(CSI)与传统聊天在头脑风暴中的效果,发现CSI显著提升协作性、生产力、答案质量、所有权感和被倾听感,是一种有前景的大规模群体决策方法。
2024-12-16 cs.AI cs.HC cs.SI
Swarm Intelligence for Next-Generation Wireless Networks: Recent Advances and Applications
School of Engineering, Deakin University(迪肯大学工程学院);Center for Artificial Intelligence Research and Optimization, Torrens University Australia(澳大利亚托伦斯大学人工智能研究与优化中心);School of Electrical and Data Engineering, University of Technology Sydney(悉尼科技大学电气与数据工程学院);School of Biomedical Convergence Engineering, Pusan National University(釜山国立大学生物医学融合工程学院)
本文聚焦下一代无线网络与群体智能的融合,概述群体智能技术,综述其在频谱管理等多类网络问题中的应用,点明现有挑战并提出未来研究方向。
2020-07-30 cs.AI cs.NI
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
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
Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework
City University of Hong Kong(香港城市大学);University of Science and Technology of China(中国科学技术大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
提出smileGeo框架,利用多个具备互联网访问能力的LVLM智能体协作通信与动态学习策略,结合检索信息优化地理定位,在三个数据集上显著超越现有方法。
2024-10-15 cs.AI cs.CV
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
How to Prove the Optimized Values of Hyperparameters for Particle Swarm Optimization?
Chunghwa Telecom Co., Ltd.(中华电信股份有限公司)
本研究提出一种基于数学模型的解析框架,以确定粒子群优化中超参数的最优值,实验证明该方法能提高收敛效率并降低平均适应度函数值。
2023-02-01 cs.AI cs.NE
MusicSwarm: Biologically Inspired Intelligence for Music Composition
Massachusetts Institute of Technology(麻省理工学院)
MusicSwarm提出一种无需权重更新的去中心化群体智能框架,利用冻结基础模型通过点对点信号协调完成长篇幅音乐创作,展现出更优的质量与多样性,为长视野创作提供了高效路径。
2025-09-15 cs.AI cs.MM cs.SD
Enhancing Explainability and Reliable Decision-Making in Particle Swarm Optimization through Communication Topologies
Department of Mathematics and Computing(数学与计算系);University of Adelaide(阿德莱德大学);University of Jaén(耶尼大学)
本研究使用改进的IOHxplainer工具分析Ring、Star和Von Neumann通信拓扑对PSO收敛与搜索行为的影响,提升了算法可解释性并为优化任务选择合适拓扑提供了实用指南。
2025-04-17 cs.AI cs.LG
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
Navigation of micro-robot swarms for targeted delivery using reinforcement learning
本研究使用强化学习算法PPO和RPO,在流体动力学效应下通过单一控制器导航微型游泳者集群至圆形吸收目标,并利用课程学习成功实现了25个游泳者集群的机动控制。
2023-06-30 cs.AI cs.LG cs.RO