Fitness Dependent Optimizer: Inspired by the Bee Swarming Reproductive Process
本文提出了一种新的群体智能算法，称为适应度依赖优化（FDO）。该算法的灵感来源于蜜蜂的群体繁殖过程和集体决策，它与蜜蜂算法或人工蜂群算法没有算法上的联系。值得一提的是，FDO被认为是一种基于粒子群优化（PSO）的算法，它通过增加速度（速度）来更新搜索代理位置。然而，FDO计算速度不同;它使用问题适应度函数值来产生权重，这些权重在探索和开发阶段指导搜索代理。在整个文件中，FDO算法，并解释了背后的想法的动机。此外，FDO在一组19个经典基准测试函数上进行了测试，并将结果与三种知名算法进行了比较：PSO，遗传算法（GA）和遗传算法（DA），此外，FDO还在IEEE演化计算基准测试函数大会（CEC-C 06，2019竞赛）上进行了测试[1]。并将计算结果与三种现代算法进行了比较：DA算法、鲸鱼优化算法（WOA）和Salp Swarm算法（SSA）。FDO结果显示在大多数情况下性能更好，在其他情况下的比较结果。此外，使用Wilcoxon秩和检验对结果进行统计学检验，以显示结果的显著性。同样，FDO在勘探和开采阶段的稳定性也使用不同的标准测量进行验证和性能验证。最后，将FDO应用于现实世界的应用，以证明其可行性。
2019-04-10 cs.NE
Chaos inspired Particle Swarm Optimization with Levy Flight for Genome Sequence Assembly
随着基因组测序的出现，个性化医疗领域发生了革命性的变化。从药物测试和研究疾病和突变到氏族基因组学，都需要研究基因组。然而，基因组序列组装是一个非常复杂的计算生物学组合优化问题。粒子群优化算法是一种流行的启发式群体智能优化算法，用于解决组合优化问题。在本文中，我们提出了一个新的变种粒子群算法来解决这个置换优化问题。将粒子群优化算法与混沌算法和Levy Flight（一种随机游走算法）相结合，有效地平衡了算法的探索和利用能力。实证实验进行评估所提出的方法相比，在文献中提出的其他变种的PSO的性能。分析是在四个DNA覆盖数据集上进行的。所进行的分析表明，该模型达到了更好的性能，更好的可靠性和一致性相比，在所有情况下，其他竞争力的方法。
2021-10-20 cs.NE
Swarm Intelligence
LBSITW
生物启发计算是计算机科学的一个领域，它利用生物系统的有利特性。它是计算智能和集体智能的融合。生物启发的机制已经被证明成功地在计算和通信系统的广泛问题中取得了重大进展。仿生计算的主要研究领域有人工神经网络、进化算法、群体智能、人工免疫系统、分形几何、DNA计算和量子计算等。
2009-10-21 cs.AI 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
A Neuro-inspired Theory of Joint Human-Swarm Interaction
Department of Human-Machine-Systems, Fraunhofer FKIE（人机系统部门，弗劳恩霍夫FKIE研究所）；Humanoid Robots Lab, Computer Science, University of Bonn（人形机器人实验室，计算机科学，波恩大学）
本文提出一种神经启发的群体人类交互理论，旨在为人类-群体循环设计提供理论支持。
2025-11-29 cs.HC cs.MA cs.NE
A Comprehensive Review of Bio-Inspired Approaches to Coordination, Communication, and System Architecture in Underwater Swarm Robotics
La Trobe University（拉特罗布大学）
本文综述了水下群体机器人中生物启发方法的协调、通信和系统架构，分析了关键算法、通信限制及硬件设计，提出多维分类框架以指导未来研究方向。
2026-01-18 cs.NE cs.RO
Chaotic Quantum Double Delta Swarm Algorithm using Chebyshev Maps: Theoretical Foundations, Performance Analyses and Convergence Issues
量子双三角洲群算法（QDDS）是一种新的元启发式算法，它的灵感来自于空间共位双三角洲阱结构中的单阱势中心收敛机制。它模仿解空间中候选位置的波动性质，并借鉴量子力学解释，就像其他量子启发的计算智能范式一样。在这项工作中，我们引入了Chebyshev映射驱动的混沌扰动的优化阶段的算法，以多样化的权重放在当代和历史，社会最优代理的解决方案。我们随后对一套23个单目标函数的解决方案质量进行了表征，并与其他8种相关的自然启发方法进行了比较分析。通过比较解决方案的质量和成功运行的动态解决方案的范围内，获得有关收敛性的见解。双尾t检验确定了溶液数据的统计学显著性，而Cohen的d和Hedge的g值提供了效应大小的度量。我们跟踪最适合的伪代理在所有功能评估的轨迹来评论系统的动态，并证明该算法在理论上是全局收敛的假设下采用其他密切相关的随机搜索算法的证明。
2019-01-04 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
Salp Swarm Optimization: a Critical Review
在生物启发的基于种群的元算法的拥挤环境中，Salp Swarm Optimization（SSO）算法最近出现并立即获得了很大的动力。受Salp菌落的特殊空间排列的启发，该算法似乎提供了一个有趣的优化性能。然而，最初的工作的特点是一些概念和数学缺陷，这影响了所有随后的论文就这个问题。在本文中，我们对SSO进行了严格的审查，突出了文献中存在的所有问题及其对该算法进行的优化过程的负面影响。我们还提出了一个数学上正确的版本的SSO，命名为修正Salp群优化（ASSO），解决了所有讨论的问题。我们对ASSO的性能进行了一组量身定制的实验，表明它能够实现比原始SSO更好的结果。最后，我们进行了一项广泛的研究，旨在了解SSO及其变体是否比其他metacrologistics提供优势。实验结果表明，SSO不能优于简单的众所周知的元分析，这表明科学界可以安全地放弃SSO。
2021-11-06 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
Heterogeneous Strategy Particle Swarm Optimization
粒子群优化算法是一种受到社会群体启发而被广泛认可的优化算法。本文提出了一种异构策略粒子群优化算法（HSPSO），其中一部分粒子采用完全信息策略以提高收敛速度，而其余粒子采用单信息策略以保持多样性。我们广泛的数值实验表明，HSPSO算法能够获得满意的解决方案，优于PSO和完全知情的PSO。从结构和微观两个角度研究了演化过程。我们发现，两种类型的粒子之间的合作，可以促进探索和开发之间的良好平衡，产生更好的性能。我们证明了HSPSO的滤波器设计问题的适用性。
2016-07-30 cs.NE
Biologically Inspired Swarm Dynamic Target Tracking and Obstacle Avoidance
The University of New South Wales Canberra at the Australian Defence Force Academy（新南威尔士大学堪培拉校区澳大利亚国防军学院）
本研究提出了一种AI驱动的飞行计算机，集成了在线免重训练预测模型、群体控制和避障策略，并引入了新型鲁棒自适应双向模糊大脑情感学习预测（BFBEL-P）方法，以解决传统预测方法在无人机群动态目标跟踪中收敛慢、鲁棒性低的问题，实现了高精度和快速收敛。
2024-10-15 cs.NE cs.RO
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
Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach for Model Free Optimization
受两种白鹭（大白鹭和白鹭）捕食行为的启发，提出了一种新的元启发式算法--白鹭群优化算法（ESOA）。ESOA由三个主要部分组成：坐等策略，积极策略以及判别条件。在36个基准函数和2个工程问题上，将ESOA算法与粒子群优化算法（PSO）、遗传算法（GA）、差分进化算法（DE）、灰狼优化算法（GWO）和Harris Hawks优化算法（HHO）的性能进行了比较。仿真结果证明了该算法的有效性和鲁棒性。本工作中使用的源代码可以从https：//github.com/Knightsll/Egret_Swarm_Optimization_Algorithm; https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoa检索。
2022-07-29 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
Collaborating Robotics Using Nature-Inspired Meta-Heuristics
Mansoura University（曼苏拉大学）
本文介绍了协作机器人，它提供了增强的任务性能，高可靠性和减少的可能性。协作机器人是能够自组装和自组织的移动机器人的集合，以解决单个机器人无法解决的问题。这些机器人结合了群体智能的力量和自我重构的灵活性，因为聚合协作机器人可以动态地改变它们的结构以匹配环境变化。协作机器人不仅仅是独立代理的网络，它们是能够协调感知和与环境交互的通信代理的潜在可重构网络。机器人将成为未来的重要组成部分。协作机器人的个体能力有限，但大量部署的机器人可以代表一股强大的力量，类似于一群蚂蚁或蜜蜂。本文提出了一种基于群体智能的机器人协作机制，即蚁群算法和粒子群算法
2012-12-23 cs.NE cs.RO
Nature Inspired Evolutionary Swarm Optimizers for Biomedical Image and Signal Processing -- A Systematic Review
Spiraldevs Automation Industries Pvt. Ltd.（Spiraldevs自动化工业私人有限公司）
本文系统综述了自然启发进化群优化算法在生物医学图像与信号处理中的应用，通过分析28篇文献和26种算法并划分探索程度，填补了该领域缺乏系统综述的空白。
2023-10-02 cs.AI cs.NE
Conditioning Optimization of Extreme Learning Machine by Multitask Beetle Antennae Swarm Algorithm
极限学习机（ELM）作为一种简单快速的神经网络，已经在各个领域显示出其良好的性能。与一般的单隐层前向神经网络（SLFN）不同，ELM的隐层输入权值和偏置是随机产生的，训练模型的计算量很小。然而，随机选择输入权重和偏差的策略可能会导致不适定问题。针对ELM的条件优化问题，借鉴人工蜂群（ABS）算法和甲虫蚁群搜索（BAS）算法的结构，提出了一种有效的粒子群启发式算法--多任务甲虫蚁群算法（MBAS）.然后，建议MBAS应用于优化ELM的输入权重和偏差。实验结果表明，该方法能够同时减少条件数和回归误差，并取得良好的泛化性能。
2018-11-22 cs.NE
Further Commentary on the Sooty Tern Optimization Algorithm and Tunicate Swarm Algorithm
本文从概率视角分析了STOA和TSA算法的零偏置问题，指出指数运算等操作导致概率分布偏移，建议谨慎应用。
2025-11-12 cs.NE
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
Towards a Better Understanding of the Local Attractor in Particle Swarm Optimization: Speed and Solution Quality
粒子群优化（PSO）是一种受自然启发的元启发式算法，用于解决连续优化问题。尽管这种技术被广泛使用，但对使群体如此成功的机制的理解仍然有限。我们提出了第一个实质性的实验调查的影响，当地的吸引质量的勘探和开发。我们详细比较了经典的PSO与社会的唯一的变体，当地的吸引力被忽略。为了衡量探索能力，我们确定两个变量在全局最优附近返回结果的频率。我们通过只考虑到达足够接近全局最优值的搜索点的函数值，然后比较这些值仍然偏离全局最小值的数字来衡量开发的质量。事实证明，局部吸引子显着提高了探索，但有时会降低开发的质量。作为一种妥协，我们提出并评估了一个混合粒子群算法，它在某个时间点关闭其局部吸引子。上述影响也可以通过测量蜂群的潜力来观察。
2014-06-06 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
An optimization algorithm for multimodal functions inspired by collective animal behavior
由于现实世界的优化问题往往需要在一个搜索空间内定位多个最优解，因此对多峰函数优化的兴趣正在迅速扩大。提出了一种新的多峰优化算法--集体动物行为算法（CAB）。动物群体，如鱼群、鸟群、蝗虫群和角马群，表现出各种各样的行为，包括围绕食物源群集，围绕中心位置旋转或在对齐的群体中进行长距离迁移。这些集体行为往往对群体有利，使它们能够提高收获效率，遵循更好的迁移路线，改善空气动力学并避免捕食。在该算法中，智能体是一组动物，它们根据集体运动的生物学定律相互作用。实验结果表明，与文献中报道的其他方法相比，该算法能够以更高的效率找到基准多峰优化问题的全局和局部最优解.
2014-06-30 cs.NE
A Review of the Family of Artificial Fish Swarm Algorithms: Recent Advances and Applications
人工鱼群算法（AFSA）是受自然界鱼类集群的生态行为启发而提出的，捕食、群集和跟随行为。由于一些显着的属性，其中包括灵活性，快速收敛，并对初始参数设置不敏感，AFSA的家庭已经成为一个有效的群体智能（SI）的方法，已被广泛应用于解决现实世界的优化问题。自2002年引入人工鱼群算法以来，许多改进的和混合的人工鱼群算法模型已经被开发出来，以解决连续、二元和组合优化问题。本文的目的是提出一个简明的评论连续人工鱼群算法，包括原来的ASFA，其改进和混合模型，以及它们的相关应用。我们专注于自2013年以来发表在高质量期刊上的文章。我们的审查提供了深入了解AFSA参数修改，程序和子功能。这些增强的主要原因和与其他混合方法的比较结果进行了讨论。此外，混合动力，多目标和动态人工鱼群模型，已提出解决连续优化问题进行了阐述。我们还分析了可能的AFSA增强功能，并强调了未来的研究方向，以推进基于AFSA的模型。
2022-05-12 cs.NE
ANA: Ant Nesting Algorithm for Optimizing Real-World Problems
提出了一种新的群体智能算法--蚂蚁嵌套算法（ANA）.该算法受到Leptothorax蚂蚁的启发，并模仿蚂蚁在建造新巢时寻找存放谷物的位置的行为。虽然该算法的灵感来自于蚂蚁的群集行为，但它与蚁群优化（ACO）算法没有任何算法相似性。值得一提的是，ANA被认为是一种连续算法，其通过添加变化率（例如，步骤或速度）。ANA计算变化率的方式不同，因为它在优化过程中使用以前的、当前的解决方案和适应度值，通过利用毕达哥拉斯定理来生成权重。这些权重在探索和开发阶段驱动搜索代理。在26个著名的测试函数上对ANA算法进行了基准测试，并与遗传算法、粒子群优化算法、粒子群优化算法、五种改进的粒子群优化算法、鲸鱼优化算法、salp群算法和适应度依赖优化算法进行了比较研究。ANA优于这些突出的元启发式算法在几个测试用例，并提供了相当有竞争力的结果。最后，该算法被用于优化两个著名的现实世界的工程问题：天线阵列设计和调频合成。工程算例表明，该算法具有较好的求解实际问题的能力。
2021-12-04 cs.NE
Multimodal Optimization by Sparkling Squid Populations
动物的群体智能是应用于优化问题的自然范例。蚁群算法、蜂群算法、萤火虫算法和蝙蝠算法是已经被证明能够有效地优化复杂约束的算法之一。本文提出了新的闪光鱿鱼算法（SSA）的多峰优化，其同名的智能群体行为的启发。在介绍，制定和讨论其实施后，它将与其他流行的元计算进行比较。最后，将讨论应用于众所周知的问题，如图像配准和旅行推销员的问题.
2014-01-05 cs.NE
Quantum Inspired Chaotic Salp Swarm Optimization for Dynamic Optimization
Amity University Uttar Pradesh（阿米提大学北方邦）；California State University（加州州立大学）
本文提出量子启发混沌樽海鞘群优化算法QCSSO，通过融合量子计算与混沌算子提升种群多样性和收敛速度，以有效定位和跟踪动态优化问题中的全局最优解，并在CEC 2009 GDBG基准上验证了其竞争力。
2024-01-21 cs.AI cs.NE
Frenetic Cat-inspired Particle Optimization: a Markov state-switching hybrid swarm optimizer with application to cardiac digital twinning
Universitat Politécnica de València（瓦伦西亚理工大学）
本文提出一种结合粒子群优化动态和显式状态马尔可夫切换控制器的混合种群优化器，用于解决昂贵黑箱问题中的优化问题，并在心脏数字孪生中应用。
2026-04-17 cs.NE math.OC
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
Particles Prefer Walking Along the Axes: Experimental Insights into the Behavior of a Particle Swarm
University of Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）
粒子群优化（PSO）是一种广泛使用的自然启发式元启发式算法，用于解决连续优化问题。然而，当运行PSO算法时，会遇到所谓的停滞现象，这意味着在我们的上下文中，整个群体开始收敛到一个不是（甚至不是局部）最优的解决方案。这项工作的目标是指出为什么群体停滞在这些非最佳点的可能原因。为了实现我们的结果，我们使用新定义的群的潜力。总势在搜索空间的每个维度上都有一部分，当群接近收敛点时，总势下降。正如实验所证明的那样，群体很可能有时会进入“不平衡”状态，即。例如，几乎所有的电势都属于一个轴。因此，群体变得盲目，无法在任何其他方向上进行改进。最后，我们将展示如何在光的潜力和这些意见，一个稍微适应PSO重新平衡的潜力，从而提高质量的解决方案。
2013-08-08 cs.AI cs.NE
Halfway Escape Optimization: A Quantum-Inspired Solution for General Optimization Problems
School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University（西交利物浦大学人工智能与高级计算学院）；School of Engineering and Technology, Sunway University（双威大学工程与技术学院）
本文提出量子启发的Halfway Escape Optimization (HEO)算法，通过模拟隧穿与纠缠效应解决一般优化问题，在基准测试与工程设计中验证了其有效性，并在水稻分类中取得更高准确率。
2024-09-24 cs.AI cs.NE math.OC
A 2020 taxonomy of algorithms inspired on living beings behavior
Universidad Autónoma de Nuevo León（新莱昂自治大学）
以计算机自然学家的角色，通过生物启发的算法进行旅程，考虑到生物行为启发的算法。算法的汇编是考虑到生物启发的仿生学和群体智能的几个评论或调查，直到2020年。分类是根据生物学家所使用的界来进行的，产生了动物、细菌、植物、真菌和原生生物的几个分支来发展分类学。
2021-06-09 cs.AI cs.NE
A Review on Influx of Bio-Inspired Algorithms: Critique and Improvement Needs
Texas State University（德克萨斯州立大学）
本综述将仿生算法分为八组并批判性回顾其原理、优势与局限，指出其在机器学习等领域的应用及混合化等最新进展，并确定可扩展性等未来研究方向。
2025-09-15 cs.LG cs.NE
A New Metaheuristic Bat-Inspired Algorithm
元启发式算法如粒子群优化算法、萤火虫算法、和声搜索算法等正成为解决许多复杂最优化问题的有力工具。在本文中，我们提出了一种新的元启发式方法，蝙蝠算法，蝙蝠的回声定位行为的基础上。我们还打算结合现有算法的优点到新的蝙蝠算法。经过详细的制定和解释其实施，我们将比较所提出的算法与其他现有的算法，包括遗传算法和粒子群优化。仿真结果表明，该算法明显优于其他算法，并讨论了进一步的研究。
2010-04-23 cs.NE math.OC physics.bio-ph
On Self-Regulated Swarms, Societal Memory, Speed and Dynamics
我们提出了一种自调节群（Self-Regulated Swarm，SRS）算法，该算法结合了群体智能的优点，通过在景观中放置集体信息素来形成社会环境记忆或认知地图（适当地平衡我们的动态搜索策略的探索/利用性质），通过一个简单的进化机制，通过与当地环境特征相关的直接繁殖过程，调节上述探索性群体种群，在全球范围内加速。为了测试他的自适应响应和鲁棒性，我们已经回到了不同的动态多模态复杂函数以及动态优化控制问题，测量反应速度和性能。最后的比较与标准的遗传算法（GAs），细菌觅食策略（BFOA），以及最近的协同进化方法。SRS能够证明快速的自适应响应，同时优于其他方法获得的结果。此外，还发现了一些成功的行为，其中最有趣的一个例子是，目前SRS集体群体的生物启发蚂蚁样代理能够跟踪约65%的移动峰值，其移动速度比组成精确群体跟踪系统的单个个体的速度快10倍。
2005-12-01 cs.AI cs.NE
PheroCom: Decentralised and asynchronous swarm robotics coordination based on virtual pheromone and vibroacoustic communication
Federal University of Uberlândia（乌贝兰迪亚联邦大学）
生物启发的方法所使用的stigmergic物质的动态表示和控制是一个挑战，当应用于机器人。为了克服这一挑战，这项工作提出了一个模型，以协调机器人群的基础上虚拟化和控制这些物质在本地范围内。该模型提出了一种新的信息素建模，使分散和导航决策的精确性。每个机器人保持一个独立的虚拟信息素地图，这是不断更新的机器人的存款和信息素蒸发。此外，个体信息素地图也通过聚合来自正在探索附近区域的其他机器人的信息来更新。因此，个体和独立的地图取代了控制和分发信息素信息的集中代理的需要，这并不总是可行的。信息素信息传播的灵感来自蚂蚁的振动声通信，而振动声通信的特征在于通过一种八卦协议的间接通信。该模型进行了评估，通过代理模拟软件，实现了作者，并在Webots平台。实验进行了验证模型在不同的环境中，具有不同的形状和大小，以及不同的机器人的数量。结果分析表明，该模型能够执行群体的协调，机器人表现出表现力的执行监视任务的性能。
2022-02-27 cs.AI cs.MA 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
A Study of the Fundamental Parameters of Particle Swarm Optimizers
传统优化方法的应用范围受到目标变量、目标函数和约束函数的特点的限制。相比之下，基于种群的算法，其优化能力是新兴的属性，如进化算法和粒子群优化，目前几乎没有限制这些功能，可以处理不同的优化问题，很少或根本没有适应。它们的主要缺点是计算量大，处理等式约束困难。粒子群优化方法有时被视为一种进化算法，因为它们有许多相似之处，尽管它们并不受相同的隐喻的启发：它们考虑到以前的经验并使用随机算子来引入新的响应来进化一群个体。进化算法相对于传统方法的优势已经在文献中讨论了几十年。虽然粒子群优化算法具有这样的优点，但与进化算法相比，它们的主要可取之处在于计算成本较低，实现更容易，不涉及算子设计和需要调整的参数很少。然而，即使是轻微的修改，这些参数大大影响的动态群。本文讨论了粒子速度更新方程参数的设置对系统行为的影响。
2021-01-25 cs.NE math.OC
Scope of Research on Particle Swarm Optimization Based Data Clustering
D. Y. Patil College of Engineering（D·Y·帕蒂尔工程学院）
最优化只不过是一种数学技术，它可以在某些实际区域中找到所关注的任何函数的最大值或最小值。不同的优化技术提出了竞争的最佳解决方案。粒子群优化（PSO）是一种新的，先进的，最强大的优化方法，在几个优化问题上表现良好。它是广泛使用的群体智能（SI）启发的优化算法，用于在多方面的搜索区域中找到全局最优解。数据聚类是一个具有挑战性的现实世界中的应用，邀请在各个领域的杰出的研究工作。文献中研究了不同的PSO变体对数据聚类的适用性，分析的研究工作表明，PSO变体对多维数据的聚类效果较差。本文介绍了不同的挑战与多维数据聚类和范围的研究优化聚类问题使用PSO。我们还提出了一种策略，使用混合粒子群算法的变种聚类多维数值，文本和图像数据。
2018-12-06 cs.AI cs.NE
Particle Swarm Optimization of Information-Content Weighting of Symbolic Aggregate Approximation
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
生物启发的优化算法最近越来越受欢迎。其中最重要的算法之一是粒子群优化算法（PSO）。粒子群算法是基于一群粒子的集体智慧。每个粒子探索搜索空间的一部分，寻找最佳位置，并根据两个因素调整其位置;第一个是自己的经验，第二个是整个群体的集体经验。粒子群算法已经成功地用于解决许多优化问题。在这项工作中，我们使用粒子群算法来提高性能的一个著名的表示方法的时间序列数据，这是符号聚集近似（SAX）。与其他时间序列表示方法一样，SAX在用于表示时间序列时会导致信息丢失。本文使用PSO为SAX提出了一种新的最小距离WMD来解决这个问题。与原来的最小距离不同，新的距离根据时间序列的不同段的信息内容设置不同的权重。这种加权最小距离增强了SAX的性能，我们通过使用不同的时间序列数据集的实验表明。
2013-12-06 cs.AI 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
Duck swarm algorithm: theory, numerical optimization, and applications
受鸭群觅食行为启发提出鸭群算法（DSA），通过CEC基准测试与七种知名算法对比及工程约束优化和WSN节点部署应用，证明其在收敛速度和探索-开发平衡上具有优越性和竞争力。
2024-06-01 cs.AI 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
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
Underdamped Particle Swarm Optimization
提出融合欠阻尼系统动态与 PSO 的 UEPS 元启发式算法，使粒子在探索与开发间动态切换、越过局部最优，并在基准函数和工程问题上验证其鲁棒性与效率。
2025-03-14 cs.NE math.OC
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
