Survey of Swarm Intelligence Approaches to Search Documents Based On Semantic Similarity
School of EECS, College of Engineering and Mines, University of North Dakota（电子工程与科学学院，工程与矿业学院，北达科塔大学）
本文综述了群体智能算法在基于语义相似度的文档搜索中的最新进展，并展望未来研究方向。
2025-07-15 cs.AI
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
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
Self-Regulated Artificial Ant Colonies on Digital Image Habitats
人工生命模型、群体智能和演化计算算法通常都是建立在固定种群规模上的。然而，一些研究表明，改变种群规模可以提高这些系统的适应性和对不断变化的环境作出反应的能力。在本文中，我们提出了一个扩展模型的人工蚁群系统设计的数字图像栖息地的演变。我们将证明，目前的群体可以适应人口的大小，根据它正在发展的图像类型和反应更快地改变图像，从而更迅速地收敛到新的所需区域，调节他的图像觅食代理的数量。最后，我们将证明该模型可以与数学形态学分水岭算法相结合，以改善数字灰度图像的分割。关键词：群体智能，感知和图像处理，模式识别，数学形态学，社会认知地图，社会觅食，自组织，分布式搜索。
2005-12-01 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
Artificial Ant Colonies in Digital Image Habitats - A Mass Behaviour Effect Study on Pattern Recognition
最近的一些研究指出，神经元自组织成类脑结构和蚂蚁自组织成群体在许多方面是相似的。如果能够实现，这些功能可能会导致模式识别系统的重要发展，其中感知能力可以从许多简单的局部规则的相互作用中出现和发展。该方法的原理受到Chialvo和Millonas的启发，他们开发了第一个数值模拟，其中可以解释群体认知地图的形成。从这一点出发，提出了一个扩展的模型来处理数字图像生境，使人工蚁群能够对环境做出反应并感知环境，信息素场的演化表明人工蚁群能够对任何类型的数字生境做出适当的反应和适应。关键词：群体智能，自组织，Stigmergy，人工蚂蚁系统，模式识别和感知，图像分割，完形感知理论，分布式计算。
2004-12-17 cs.AI cs.CV
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
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
An Improved Chicken Swarm Optimization Algorithm for Handwritten Document Image Enhancement
Mysore University（迈索尔大学）
本研究提出一种改进的鸡群优化算法，用于手写文档图像的对比度增强预处理，在保留细节的同时实现增强，效果显著优于现有多种元启发式算法。
2024-10-20 cs.AI cs.CV cs.LG
On the Implicit and on the Artificial - Morphogenesis and Emergent Aesthetics in Autonomous Collective Systems
想象一个“机器”，其中没有任何特定的代表性方案的预先承诺：所需的行为是分布式的，并大致同时指定在许多部分，但有最低限度的规范所需的机制，以产生该行为，即全球行为从多个简单行为的许多关系演变而来。一台机器，生活和从/与协同。一个人造的超级有机体，它避免了特定的限制，并在多个低层次的隐含生物启发机制中出现。关键词：复杂科学，ArtSBots项目，群体智能，Stigmergy，无人艺术，共生艺术，群体绘画，机器人绘画，非人类艺术，绘画涌现与合作，艺术与复杂性，ArtBots：机器人才艺表演。
2004-12-17 cs.AI cs.MM
"Benefit Game: Alien Seaweed Swarms" -- Real-time Gamification of Digital Seaweed Ecology
Hong Kong University of Science and Technology（香港科技大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出《利益博弈：异星海藻群》项目，将人工生命艺术与互动游戏结合，利用机器学习过程化内容生成技术构建实时响应的数字海藻生态系统，以提升公众生态意识。
2024-08-30 cs.AI cs.HC cs.SY
A hybrid swarm-based algorithm for single-objective optimization problems involving high-cost analyses
Politecnico di Torino（都灵理工大学）
在许多技术领域中，连续域中的单目标优化过程涉及昂贵的数值模拟。在这种情况下，人工蜂群（ABC）算法的改进，称为人工超级蜜蜂增强的殖民地（AsBeC）。AsBeC旨在提供快速的收敛速度，高精度的解决方案和强大的性能在广泛的问题。它实现了ABC结构的增强和具有插值策略的杂交。后者的灵感来自于二次置信域方法的本地调查和一个有效的全球可分离的问题优化。每个修改和它们的组合效果进行了研究，适当的指标上的数值基准，这也是用于比较AsBeC与一些有效的ABC变种和其他衍生物的自由算法。此外，所提出的算法验证最近通过的两个基准在国际会议上的竞争。结果表明，AsBeC显着的竞争力和鲁棒性。
2016-05-02 cs.AI cs.DC cs.NE
Application of PSO, Artificial Bee Colony and Bacterial Foraging Optimization algorithms to economic load dispatch: An analysis
VIT University（韦洛尔理工大学）
本文阐述了三种进化算法，即粒子群优化（PSO），人工蜂群（ABC）和细菌觅食优化（BFO）算法的成功实施的经济负荷分配问题（ELD）。比较了三种算法对各发电机组的输出功率和最优燃料成本的影响。所得到的结果表明，ABC和BFO算法收敛到最优的燃料成本与减少计算时间相比，粒子群算法的两个例子考虑的问题。
2011-11-13 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
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
Motion-Encoded Particle Swarm Optimization for Moving Target Search Using UAVs
University of Technology Sydney（悉尼科技大学）；VNU University of Engineering and Technology（越南河内国家大学工程技术大学）
提出了一种新的运动编码粒子群优化算法（MPSO），用于发现无人机（UAV）的运动目标。从贝叶斯理论出发，搜索问题可以转化为一个代价函数的优化问题，该代价函数代表了目标被检测到的概率。在这里，建议的MPSO开发来解决这个问题，通过编码的搜索轨迹作为一系列的无人机运动路径演变的粒子群算法的生成。这种运动编码方法允许保留群体的重要属性，包括认知和社会一致性，从而产生更好的解决方案。仿真结果表明，该算法的检测性能比原粒子群算法提高了24%，时间性能提高了4.71倍，并且优于人工蜂群（ABC）、蚁群优化（ACO）、遗传算法（GA）、差分进化（DE）、和树种子算法（TSA）在大多数搜索场景。在不同的场景下，对真实的无人机进行了搜索动态目标的实验，以证明MPSO在实际应用中的优点。
2020-10-05 cs.AI cs.NE cs.RO
Automatic Calibration of Artificial Neural Networks for Zebrafish Collective Behaviours using a Quality Diversity Algorithm
Ochanomizu University（御茶水女子大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Univ Paris Diderot（巴黎狄德罗大学）
在过去的二十年里，已经提出了各种模型的鱼类集体运动。这些模型主要用于解释动物之间社会互动的生物学机制。他们考虑的是非常简单的均匀无界环境，目前还不清楚他们是否能准确地模拟集体轨迹。此外，当模型更准确时，它们对更大的群体或更复杂的环境的可扩展性问题仍然是开放的。本研究旨在学习如何利用真实世界的跟踪数据来模拟真实的斑马鱼集体运动。我们的目标是设计一个基于代理的模型，可以实现一个人工机器鱼，可以融入一个集体的真正的鱼。我们提出了一种新的方法，使用质量多样性算法，一类算法，强调探索纯优化。特别是，我们使用CVT-MAP-Elites，一个变种的国家的最先进的MAP-精英算法的高维搜索空间。结果表明，质量多样性算法不仅在宏观层面（即群体行为）优于经典的进化强化学习方法，而且还能够在微观层面（即个体行为）生成更逼真的仿生行为。
2019-07-22 cs.AI cs.NE q-bio.NC
Safety-enhanced UAV Path Planning with Spherical Vector-based Particle Swarm Optimization
University of Technology Sydney (UTS)（悉尼科技大学）；VNU University of Engineering and Technology (VNU-UET), Vietnam National University, Hanoi (VNU)（越南国立大学河内分校工程技术大学）
针对无人机在复杂环境下受到多种威胁时的路径规划问题，提出了一种基于球矢量的粒子群优化算法（SPSO）。首先，制定成本函数，将路径规划转化为优化问题，该优化问题包括UAV的可行和安全操作的要求和约束。然后，SPSO被用来找到最优路径，通过有效地搜索无人机的配置空间，通过粒子的位置和无人机的速度，转弯角和爬升/俯冲角之间的对应关系，最小化的成本函数。为了评估SPSO的性能，从真实的数字高程模型地图中生成了八个基准场景。实验结果表明，该算法不仅优于经典粒子群优化算法、相位角编码粒子群优化算法和量子行为粒子群优化算法，而且优于遗传算法、人工蜂群算法和差分进化算法.此外，已进行了实验，以证明真实的无人机操作的路径生成的有效性。该算法的源代码可以在https://github.com/duongpm/SPSO上找到。
2021-04-13 cs.AI cs.NE cs.RO
