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
A fast converging particle swarm optimization through targeted, position-mutated, elitism (PSO-TPME)
通过一种有针对性的位置变异精英策略(PSO-TPME),大大提高了粒子群优化算法(PSO)的收敛速度和全局搜索能力。这三个关键创新解决了认知和社会模型中的粒子分类、精英主义和突变问题。PSO-TPME是对五个流行的粒子群算法的变种,多维函数,这是广泛采用的优化领域,特别是收敛精度,收敛速度,并找到全局最小值的能力进行了研究。通过多次重复来评估统计误差。仿真结果表明,提出的PSO变种优于其他变种的收敛速度和精度的数量级。
2022-08-19 cs.NE math.OC
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
Dynamic Swarm Dispersion in Particle Swarm Optimization for Mining Unsearched Area in Solution Space (DSDPSO)
粒子群优化(PSO)算法的过早收敛往往会导致算法陷入局部最优,从而无法搜索到解空间中存在最优点的区域。该算法通过特殊的机制,检测出合适的区域,然后在适当的时间分散部分粒子,将群体引导到合适的区域。这个过程被称为动态群分散粒子群算法(DSDPSO)。为了指定合适的时间和控制探索和利用行为之间的交替进化过程,我们使用了多样性测量方法,并实现了分散机制。为了提高DSDPSO算法的性能,采用了粒子重新定位、分散粒子速度设置和参数设置三种不同的策略。我们比较了改进算法与类似的新方法,并根据数值结果,该算法优于基本的GPSO,LPSO,DMS-PSO,CLPSO和APSO在大多数的12个标准的基准问题具有不同的属性在这项研究中。
2018-07-02 cs.NE
Evolving Order and Chaos: Comparing Particle Swarm Optimization and Genetic Algorithms for Global Coordination of Cellular Automata
Portland State University(波特兰州立大学)
我们采用两种进化搜索算法:粒子群优化(PSO)和遗传算法(GAs)的设计细胞自动机(CA),可以执行计算任务,需要全局协调。特别是,我们比较了粒子群算法和遗传算法的搜索效率适用于密度分类问题和新一代的“混沌”CA。我们的工作还介绍了一个新的变种PSO,二进制全局-局部PSO(BGL-PSO)。
2019-09-08 cs.AI cs.NE
Low-Complexity Particle Swarm Optimization for Time-Critical Applications
粒子群优化算法(PSO)是一种流行的随机优化方法,在各个领域都有着广泛的应用。然而,粒子群算法存在着计算复杂性高和收敛速度慢的缺点。高的计算复杂性阻碍了其在具有有限功率资源的应用中的使用,而低的收敛速度使其不适合于时间关键的应用。在本文中,我们提出了两种技术来克服这些限制。第一种技术降低了粒子群算法的计算复杂性,而第二种技术加快了粒子群算法的收敛速度。这些技术可以单独或结合应用于任何现有的PSO变体。所提出的技术是强大的优化问题的维数。模拟结果提出的技术适用于标准PSO以及几个PSO变种。结果表明,这两种技术的结合使用的结果在所需的计算数量减少,以及更快的收敛速度,同时保持可接受的误差性能的时间关键型应用程序。
2014-01-02 cs.NE
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
Parameter Identification of Induction Motor Using Modified Particle Swarm Optimization Algorithm
本文提出了一种新的异步电动机参数辨识方法。所提出的技术是基于一个简单的启动测试,使用一个标准的V/F逆变器。记录的启动电流进行比较,通过仿真的感应电动机模型。一个改进的粒子群优化算法被用来找出最佳的模型参数,最小化测量和模拟电流之间的平方和误差。将改进的粒子群算法与线搜索、传统粒子群算法和遗传算法等优化方法进行了性能比较。仿真结果表明,所提出的技术捕捉机器参数的真实值的能力和使用修改后的粒子群算法比其他优化技术所获得的结果的优越性。
2013-02-28 cs.NE
Clustering Multidimensional Data with PSO based Algorithm
数据聚类是数据采掘中公认的数据分析方法,而K-Means是众所周知的分区聚类方法,具有令人愉快的特性。我们观察到,K-Means和其他分区聚类技术受到一些限制,如初始聚类中心的选择,预先知道的集群数量,死单元问题,多个集群成员和过早收敛到局部最优。为了解决聚类的局限性,已有多种优化方法被提出,但群体智能(SI)在该领域取得了显著的地位。粒子群优化算法(PSO)是最流行的同伦算法,也是研究人员最喜欢的领域之一。在本文中,我们提出了一个简短的概述粒子群算法及其变种解决聚类挑战的适用性。此外,我们提出了一个先进的粒子群算法命名为减法聚类基于边界限制自适应粒子群优化算法(SC-BR-APSO)聚类多维数据。为了比较的目的,我们研究和分析了各种算法,如K-Means,PSO,K-Means-PSO,混合减法+ PSO,BRAPSO,并提出了九个不同的数据集上的算法。提出SC-BR-APSO算法的动机是处理多维数据聚类,具有最小的出错率和最大的收敛速度。
2014-02-26 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
Low-discrepancy Sampling in the Expanded Dimensional Space: An Acceleration Technique for Particle Swarm Optimization
本研究基于Niderreiter定理分析PSO误差,提出在扩展维度空间中采用低差异采样的加速技术,该技术可降低样本离散度与每次迭代误差,结合标准PSO与CLPSO后,在同等精度下显著提升收敛速度。
2023-07-02 cs.NE
Deep Neural Network-guided PSO for Tracking a Global Optimal Position in Complex Dynamic Environment
Waseda University(早稻田大学)
本文提出结合深度神经网络的PSO变体,通过学习环境特征预测移动最优解,提升动态环境中追踪全局最优的能力。
2026-04-15 cs.NE
AMPSO: Artificial Multi-Swarm Particle Swarm Optimization
本文提出了一种新的人工多群粒子群算法,它由一个探索群、一个人工开发群和一个人工收敛群组成。探索群是随机分布在粒子空间的一组大小相等的子群,利用群是对探索群中的最优粒子进行固定迭代周期的扰动而人工生成的,收敛群是对处于停滞状态的利用群中的最优粒子进行高斯扰动而人工生成的.交替地执行探索和开发操作,直到开发的演化速率小于阈值或达到最大迭代次数。对不同的种群采用自适应惯性权重策略,以保证其勘探开发性能。为了保证结果的准确性,提出了一种新的多样性计划的基础上的位置和适应度值的粒子群控制的探索,开发和收敛过程。为了缓解由于使用多样性而导致的效率低下的问题,提出了两种群更新技术来去除糟糕的粒子,使得可以在固定次数的迭代内实现良好的结果。AMPSO的有效性在CEC 2015测试套件中的所有功能上进行了验证,通过与一组全面的16种算法进行比较,包括最近表现良好的PSO变体和其他一些非PSO优化算法。
2020-06-21 cs.NE
AutoPSO: A Meta-framework for Automated Particle Swarm Optimization
Southern University of Science and Technology(南方科技大学);Pengcheng Laboratory(鹏城实验室);The Hong Kong Polytechnic University(香港理工大学)
AutoPSO是用于构建定制PSO算法的自动化元框架,通过双层搜索结合EvoX实现高效评估,发现的新型PSO变体在数值基准和机器人控制任务上显著优于强基线。
2026-08-25 cs.NE
State-of-the-Art Economic Load Dispatch of Power Systems Using Particle Swarm Optimization
元启发式粒子群优化算法(PSO)是一种在电力工程领域中解决高约束非线性和非凸优化问题的最有前途的优化技术。电力系统的经济运行是电力工程中最重要的领域之一,粒子群算法已被有效地用于解决实际系统的各种问题。本文综述了近年来在电力系统工程经济负荷分配(ELD)问题中应用不同类型的粒子群优化算法的研究工作。已经确定了ELD问题的五个重要领域,并在ELD使用PSO的一般领域发表的论文已被归类为这五个部分。这五个领域是(i)单目标经济负荷调度,(ii)动态经济负荷调度,(iii)具有非常规源的经济负荷调度,(iv)多目标环境/经济调度,以及(v)微电网的经济负荷调度。在每个类别的末尾,提供了一个表格,简要介绍了论文的主要特点。最后给出了今后工作的展望。
2018-12-30 cs.NE
Adaptive Particle Swarm Optimization for through-foliage target detection with drone swarms
针对无人机群穿透植被目标检测,提出自适应PSO策略,解决先前方法中散射和扫描模式问题,并借鉴APSO思想增强性能。
2023-10-16 cs.NE cs.SY eess.SY
A Multi-Swarm Cellular PSO based on Clonal Selection Algorithm in Dynamic Environments
Islamic Azad University, Qazvin Branch(伊斯兰阿扎德大学加兹温分校);Amirkabir University of Technology(阿米尔卡比尔理工大学)
现实世界中的许多问题都是动态优化问题。在这种情况下,环境中的最优值动态变化。因此,传统的优化算法无法跟踪和找到最优解。提出了一种新的适用于动态环境的基于克隆选择算法的多群细胞粒子群优化算法(CPSOC)。在该算法中,搜索空间被划分成细胞的元胞自动机。该算法利用粒子群优化算法和克隆选择算法对每个细胞中的离散粒子进行进化,形成一个子种群。在Moving Peaks Benchmark上的实验结果证明了CPSOC方法的优越性.
2013-08-07 cs.AI cs.NE
Particle Swarm Optimization for Quantum Circuit Synthesis: Performance Analysis and Insights
University of Nottingham Malaysia(诺丁汉大学马来西亚分校)
本文研究用粒子群优化生成量子电路求解MaxOne问题,提出量子电路编码为PSO参数的方法,并通过实验表明PSO相比遗传算法收敛更快。
2025-06-22 cs.AI cs.NE
Robust Particle Swarm Optimizer based on Chemomimicry
提出了一种松散地基于结晶现象和混沌因子的粒子群优化算法。该方法具有三个阶段:扩散,定向运动,和成核。在扩散阶段,无规行走是粒子运动的唯一贡献者。随着算法的进展,混沌的贡献减少,并向全局最佳位置移动,直到收敛。该算法被发现是更强大的局部极小值的多峰测试功能比标准的粒子群算法,是专为问题的功能实验精度。
2018-02-12 cs.NE
Using Particle Swarm Optimization as Pathfinding Strategy in a Space with Obstacles
Universitas Padjadjaran(帕德贾贾兰大学)
粒子群优化(PSO)是一种基于随机性和群体自适应优化的搜索算法。在本文中,路径搜索策略,提出了一个广泛的应用,以提高路径规划的效率。本研究旨在探讨粒子群演算法参数(粒子数、权重常数、粒子常数、以及整体常数)对演算法求解路径效能的影响。增大粒子群算法的参数可以使粒子群更快地到达目标点,但由于随机运动太多,收敛时间较长,反之亦然。通过不同参数的仿真实验,证明了粒子群优化算法能够在有障碍物的空间中提供一条求解路径。
2022-06-23 cs.AI cs.NE
Particle Swarm Optimization: Stability Analysis using N-Informers under Arbitrary Coefficient Distributions
本文在最小建模假设下推导出一个简单易用的定理,用于获得一类常见粒子群优化(PSO)变体的阶- $1$和阶- $2$稳定性标准。具体来说,PSO的变种,可以重写为一个粒子的位置和群告密者之间的随机加权差向量的有限和覆盖的定理。此外,使用派生定理允许PSO从业者获得的稳定性标准,不包含人为的限制控制系数之间的关系。几乎所有以前的PSO稳定性的结果提供了社会和认知控制系数是相等的限制下的稳定性标准,这样的限制不存在时,使用推导出的定理。使用推导出的定理,作为其易用性的证明,稳定性准则推导出没有施加限制的控制系数之间的关系,为三个流行的PSO变种。
2020-04-01 cs.NE math.DS
Anarchy in the swarm: Testing informed and uninformed diversity-enhancing mechanisms within PSO framework
AGH University of Krakow(克拉科夫AGH科技大学);Jagiellonian University(雅盖隆大学)
本文提出并比较了基于问题信息和社会认知的多样性增强策略与无信息的随机化策略,发现多样性增强的效果主要取决于其在群动态中的嵌入方式,而非外部问题信息的存在。
2026-05-24 cs.NE math.OC
Tracking Extrema in Dynamic Environment using Multi-Swarm Cellular PSO with Local Search
Islamic Azad University(阿扎德大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
许多现实世界的现象可以建模为动态优化问题。在这种情况下,环境问题动态地变化,因此,常规方法不能处理这种问题。提出了一种基于聚类和局部搜索的多群细胞粒子群优化算法。在该算法中,搜索空间被划分成细胞,而粒子识别搜索空间中的变化,并形成集群,以创建子群。然后应用局部搜索来改进每个单元中的解。静态标准基准测试和动态环境下的仿真结果表明,该方法优于其他替代方法。
2013-07-31 cs.AI 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
Finite First Hitting Time versus Stochastic Convergence in Particle Swarm Optimisation
我们重新考虑粒子群优化的随机收敛分析,并指出,以前获得的参数条件并不总是足以保证均方收敛到局部最优。我们表明,停滞实际上可以发生在非平凡的配置在非最佳部分的搜索空间,即使是简单的功能,如球。在这些情况下,基本PSO的收敛特性可能不利于优化的目标,即在合理的时间内找到足够好的解决方案。为了提高算法的优化能力,我们提出了期望首中时间(FHT),即,直到访问到最优值附近的搜索点的时间。结果表明,一个基本的PSO可能有无限的预期FHT,而这里介绍的算法,噪声PSO,有有限的预期FHT的一些功能。
2011-05-27 cs.NE
Design of Low Noise Amplifiers Using Particle Swarm Optimization
本文介绍了一种基于粒子群优化(PSO)技术的低噪声微波放大器设计方法。粒子群优化被用作应用于单级放大器电路的方法,以满足两个标准:期望的增益和期望的低噪声。目的是使用增益和低噪声值的预定义约束来获得最佳优化设计。编写代码以应用该算法来满足预期目标,并使用不同的模拟器验证所获得的结果。结果表明,粒子群算法可以非常有效地应用于这类多约束的设计问题。
2012-08-13 cs.NE
Using Variable Interaction Graphs to Improve Particle Swarm Optimization
本文提出VIGPSO,通过动态学习变量交互图改进粒子群优化,在高维基准测试中显著优于标准PSO,尤其适用于高维问题。
2025-09-02 cs.NE
Generating Exact Optimal Designs via Particle Swarm Optimization: Assessing Efficacy and Efficiency via Case Study
在这项研究中,我们解决现有的不足之处,在文献中的粒子群优化算法的应用,以产生最佳的设计。我们提出了一个大型的计算机研究的结果,在该研究中,我们基准的PSO的效率和功效,以产生高品质的候选设计小精确的响应面的情况下,通常遇到的行业从业者。PSO的一个优选版本的演示和推荐。此外,在流行的局部优化,如坐标交换,PSO被证明,即使在一个单一的运行,产生高效率的设计,以小的计算成本与大概率。因此,这似乎有利于更多的从业者采用和使用粒子群算法作为工具,产生候选的实验设计。
2022-06-14 cs.NE stat.ME
An Experimental Analysis of the Echo State Network Initialization Using the Particle Swarm Optimization
本文介绍了一种鲁棒的混合方法来解决监督学习任务,它使用回声状态网络(ESN)模型和粒子群优化(PSO)算法。ESN是一种递归神经网络,其隐-隐权重在学习过程中是固定的。网络的递归部分将输入信息存储在网络的内部状态中。另一种结构形成了自由记忆方法,用作监督学习工具。初始化ESN模型的递归结构的设置过程会影响模型性能。另一方面,PSO已被证明是一种成功的技术,在复杂的空间中找到最佳点。在这里,我们提出了一种方法来使用粒子群算法找到一些初始的ESN模型的隐-隐权重。我们提出的实证结果,比较规范ESN模型与这种混合方法在广泛的基准问题。
2015-01-02 cs.NE
An Adaptive Balance Search Based Complementary Heterogeneous Particle Swarm Optimization Architecture
提出一种结合互补异构PSO框架与自适应平衡搜索策略的架构,通过双通道双子群有效利用构建向量,平衡探索与开发,提升纯认知PSO性能并验证泛化能力。
2025-04-21 cs.NE
Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization
Department of Biomedical Engineering, Case Western Reserve University(生物医学工程系,凯斯西储大学);Department of Electrical and Computer Engineering, Virginia Commonwealth University(电气与计算机工程系,弗吉尼亚 Commonwealth 大学)
针对大规模数据集下RBF神经网络训练的可扩展性问题,提出基于粒子群优化(PSO)和自适应PSO(APSO)的多列RBF网络(MC-PSO和MC-APSO),通过并行训练多个RBFN并利用子集专门化提高精度和速度。
2026-06-03 cs.AI cs.NE
An Adam-enhanced Particle Swarm Optimizer for Latent Factor Analysis
Beihang University(北京航空航天大学);School of Cyber Science and Technology(网络空间安全学院)
从大规模不完备矩阵中挖掘出潜在的信息是一个具有挑战性的关键问题。对潜在因素分析模型进行了深入研究,分析了潜在信息。近年来,与群体智能相关的LFA模型被提出并被广泛采用,以提高LFA的优化过程的效率,即,粒子群优化(PSO)-LFA模型。然而,PSO-LFA模型的超参数必须手动调整,这不利于广泛采用,并且限制了学习率为固定值。为了解决这个问题,我们提出了一个亚当增强的层次PSO-LFA模型,它细化的潜在因素与序贯亚当调整超参数PSO算法。首先,我们为粒子设计了亚当增量向量,构造了粒子的亚当增强演化过程。其次,我们细化的目标矩阵的所有潜在因素,我们提出了亚当增强粒子群算法的过程。在四个真实数据集上的实验结果表明,我们提出的模型具有更高的预测精度。
2023-02-23 cs.LG cs.NE
Combining Particle Swarm Optimizer with SQP Local Search for Constrained Optimization Problems
通用粒子群优化算法(GP-PSO)与序列二次规划(SQP)算法相结合的约束优化问题已被证明是非常有益的细化,并在某些情况下,成功地找到一个全局最优解。它表明,领先的算法之间的可能差异是在他们的局部搜索能力。与其他领先的优化测试的基准套件的比较,表明混合GP-PSO与实现局部搜索,以竞争边其他领先的PSO算法。
2021-01-25 cs.NE math.OC
Efficient Antenna Optimization Using a Hybrid of Evolutionary Programing and Particle Swarm Optimization
在本文中,我们提出了一种混合的进化规划(EP)和粒子群优化(PSO)算法的数值效率的天线阵列和元表面的全局优化。混合EP-PSO算法采用进化优化方法,将群体方向的标准自适应EP算法。作为例子,我们已经将这种混合技术应用到两个天线问题:非均匀间隔(非周期性)线性阵列的旁瓣电平降低和加载有部分反射元表面的印刷天线的波束成形。文中给出了混合EP-PSO技术与纯EP-PSO技术和纯PSO技术的详细比较,证明了这种混合技术在复杂天线设计问题中的有效性。
2022-05-11 cs.NE eess.SP physics.app-ph
Particle Swarm Optimized Fuzzy Controller for Indirect Vector Control of Multilevel Inverter Fed Induction Motor
提出了一种基于粒子群优化(PSO)模糊控制器的异步电机间接矢量控制方法。在该方案中,中性点箝位(NPC)多电平逆变器的使用和滞环电流控制技术已被用于开关IGBT。采用Mamdani型模糊控制器代替传统的PI控制器。为保证模糊控制器的性能,采用粒子群优化算法对模糊控制器的隶属度函数、归一化参数和反归一化参数进行了优化。所提出的控制器的性能进行了研究,在各种负载和速度条件下。仿真结果表明,该算法对于高性能衍生应用具有稳定性和鲁棒性。
2014-09-05 cs.NE
Heart Attack Classification System using Neural Network Trained with Particle Swarm Optimization
事先发现心脏病发作可能会挽救一个人的生命。将特定的标准纳入一个系统,提供即将发生的攻击的早期预警,将有利于为即将发生的心脏病发作制定更好的预防计划。已经为此目的进行了一些研究,但尚未达到预防患者患上这种疾病的目标。本文采用粒子群优化(PSONN)训练的神经网络来分析输入标准,增强心脏病发作的预测。一个真实的和新的数据集,已记录的疾病被使用。在对数据进行预处理之后,特征被输入系统。因此,从PSONN的结果进行了评估,从其他算法。决策树,随机森林,神经网络训练与反向传播(BPNN),和朴素贝叶斯是其中采用。对上述算法的测试结果分别为100%、99.2424%、99.2323%、81.3131%和66.4141%,表明PSONN在所有测试算法中准确率最高。
2022-08-21 cs.NE
Adaptive Latent Factor Analysis via Generalized Momentum-Incorporated Particle Swarm Optimization
Chongqing University of Posts and Telecommunications(重庆邮电大学);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Southwest University(西南大学)
随机梯度下降(SGD)算法是一种有效的学习策略,可以在高维不完备(HDI)矩阵上建立潜在因子分析(LFA)模型。基于SGD的LFA模型的超参数学习率和正则化系数通常采用粒子群优化(PSO)算法进行自适应。然而,一个标准的粒子群算法可能会遭受过早收敛造成的精度损失。针对这一问题,本文根据广义动量(GM)方法的原理,在每个粒子的进化过程中加入更多的历史信息,避免早熟收敛,从而创新性地实现了一种新的GM-PSO(GM-PSO)算法。在此基础上,进一步实现了基于GM-PSO的LFA(GMPL)模型,实现了超参数的高效自适应。在三个HDI矩阵上的实验结果表明,GMPL模型在工业应用中对缺失数据估计具有较高的预测精度。
2022-08-04 cs.LG cs.NE
Fuzzy Mutation Embedded Hybrids of Gravitational Search and Particle Swarm Optimization Methods for Engineering Design Problems
Jadavpur University(jadavpur大学);Universidad de Córdoba(科尔多瓦大学);Machine Intelligence Research Labs (MIR Labs)(机器智能研究实验室);University of Pretoria(比勒陀利亚大学)
引力搜索算法(GSA)和粒子群优化算法(PSO)分别是自然启发的,基于群体的优化算法。虽然它们从一开始就被广泛用于单目标优化,但它们存在过早收敛的问题。尽管GSA和PSO的混合算法性能更好,但问题仍然存在。因此,为了解决这个问题,我们提出了一个模糊变异模型的两个混合版本的PSO和GSA -引力粒子群(GPS)和PSOGSA。所开发的算法被称为基于变异的GPS(MGPS)和基于变异的PSOGSA(MPSOGSA)。变异算子是基于一个模糊模型的变异概率已计算的基础上的粒子的接近人口质心和改善粒子值。我们已经评估了这两个新算法的23个基准函数的三个类别(单峰,多峰和多峰固定尺寸)。实验结果表明,我们提出的模型优于相应的祖先,MGPS优于GPS 13次(56.52%)和MPSOGSA优于PSOGSA 17次(73.91%)。我们还比较了我们的结果对最近的优化算法,如正弦余弦算法(SCA),反对基于SCA,排球联赛算法(VPL)。此外,我们将我们提出的算法应用于一些经典的工程设计问题,结果是令人满意的。所提出的算法的相关代码可以在这个链接中找到:Fuzzy-Mutation-Embedded-Hybrids-of-GSA-and-PSO。
2020-05-10 cs.AI 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
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
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
Adaptive Hybrid Particle Swarm Optimization with Gradient Descent
该研究提出自适应混合粒子群优化算法(AHPSO),明确了梯度注入在粒子群优化中发挥价值的场景,经实验验证其在特定优化问题上优于对比算法。
2026-08-13 cs.AI cs.NE
Clubs-based Particle Swarm Optimization
本文提出了一种新的动态邻域网络的粒子群优化算法。在提出的基于俱乐部的粒子群优化(C-PSO)算法中,每个粒子最初加入了一个默认的“俱乐部”。每一个粒子都受到它自己的经验和它所属的俱乐部中表现最好的成员的经验的影响。俱乐部成员资格是动态的,其中表现最差的粒子通过加入更多的俱乐部来向其他粒子学习而进行更多的社交,而表现最好的粒子通过离开俱乐部来减少对其他成员的强烈影响而进行更少的社交。当粒子停止显示极端性能时,它们将逐渐返回到默认成员级别。群成员的惯性权重在预定义的范围内是随机的。在一组经典的基准问题上,将该算法与其他两种具有静态邻域拓扑的算法进行了比较。实验结果表明,C-PSO算法在收敛速度和跳出局部最优解方面具有较好的性能。
2013-03-02 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
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
Technical Analysis on Financial Forecasting
财务预测是使用历史内部会计和销售数据对公司,行业,国家未来财务结果的估计。我们可以通过一些软计算技术来实际预测BSE_SENSEX的未来结果,也可以使用PSO(粒子群优化),EA(进化算法)或DEA(差分进化算法)等进行优化。PSO是Eberhart博士和Kennedy博士于1995年基于鱼类集群或鸟类群集的社会行为开发的生物启发计算搜索和优化方法。粒子群算法是一种很有前途的训练人工神经网络的方法。该算法比遗传算法简单,只需调整少量参数。粒子群优化算法是一种基于粒子填充的随机模式搜索技术。在粒子群算法中,粒子在搜索空间中具有一定的位置和速度。在PSO中使用两个术语,一个是局部最佳,另一个是全局最佳。为了优化不规则,噪声,随时间变化,静态等问题,PSO使用经典的优化方法,如梯度下降和拟牛顿方法。对近几年来的一些相关研究进行了观察和回顾,重点介绍了粒子群算法的功能,粒子群算法的改进以及使用粒子群算法实现的函数优化,神经网络训练和模糊控制等操作。微分进化是一种有效的数值优化EA技术,由于动物的群集行为,即聚集在一起的相似大小的集体行为,引入了PSO技术。
2015-03-10 cs.NE
Particle Swarm Optimization: A survey of historical and recent developments with hybridization perspectives
粒子群优化(PSO)是一种超启发式全局优化范式,在过去的二十年中由于其易于应用于无法使用传统确定性算法解决的无监督,复杂的多维问题而变得突出。规范粒子群优化算法基于鸟类和鱼群的群集行为和社会合作,并大量借鉴了这些生物的进化行为。本文旨在提供一个彻底的调查PSO算法,特别强调其最基本的发展,部署和改进,以及一些国家的最先进的实现。概念和方向上选择的惯性权重,收缩因子,认知和社会的权重和观点的收敛,并行化,精英主义,小生境和离散优化以及邻域拓扑结构进行了概述。杂交尝试与其他进化和群体范例在选定的应用程序涵盖和最新的审查提出了感兴趣的读者。
2019-01-04 cs.NE
Directed particle swarm optimization with Gaussian-process-based function forecasting
ETH Zurich(苏黎世联邦理工学院);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
粒子群优化(PSO)是一种迭代搜索方法,它以随机步长将一组候选解在搜索空间中向最佳全局解和局部解移动。在实际应用中,粒子群算法经常会加速优化,因为在这些应用中,梯度是不可用的,函数求值也是昂贵的。然而,传统的粒子群算法忽略了潜在的知识,可能已经获得的目标函数的观察,个别粒子。因此,我们借鉴贝叶斯优化的概念,并引入一个随机代理模型的目标函数。也就是说,我们将高斯过程拟合到目标函数的过去评估,预测其形状,然后根据它调整粒子运动。我们的计算实验表明,PSO的基线实现(即,SPSO 2011)表现出色。此外,相比,国家的最先进的代理辅助进化算法,我们实现了几个流行的基准测试功能的性能大幅改善。总的来说,我们发现,我们的算法达到了理想的性质的探索和剥削行为。
2021-02-24 cs.LG cs.NE
Extended Particle Swarm Optimization (EPSO) for Feature Selection of High Dimensional Biomedical Data
本文提出了一种新的扩展粒子群优化模型(EPSO),潜在地增强了粒子群优化算法的搜索过程中的优化问题。显然,基因表达谱是用于癌症类型医学诊断的分子生物学中非常重要的测量因素。对基因表达谱的某些分类方法的挑战在于每个样本记录的数千个特征。一种改进的Wrapper特征选择模型被应用于解决基因分类的挑战,其随机性方法分别与EPSO和PSO。EPSO初始化种群的随机大小,并将其分为两组,以促进探索,减少陷入停滞的概率。实验上,EPSO需要更少的处理时间来选择最佳功能(平均62.14秒)比PSO(平均95.72秒)。此外,EPSO的准确性提供了更好的分类结果(从54%到100%)比PSO(从52%到96%)。
2020-08-08 cs.LG cs.NE
Parameters Optimization of Deep Learning Models using Particle Swarm Optimization
深度学习已成功应用于机器翻译、制造和模式识别等多个领域。然而,深度学习的成功应用取决于适当地设置其参数以实现高质量的结果。深层机器学习网络的隐层数和每层神经元数是影响算法性能的两个关键参数。手动参数设置和网格搜索方法在一定程度上减轻了用户设置这些重要参数的任务。然而,这两种技术可能非常耗时。在本文中,我们证明了粒子群优化(PSO)技术在优化参数设置方面具有巨大的潜力,从而在深度学习模型的调整过程中节省了宝贵的计算资源。具体来说,我们使用从Wi-Fi校园网络收集的数据集来训练深度学习模型,以预测占用者的数量及其位置。我们的初步实验表明,PSO提供了一种有效的方法来调整隐藏层的最佳数量和深度学习算法的每一层中的神经元的数量相比,网格搜索方法。实验结果表明,该算法在寻找最优参数的过程中减少了77%-85%。事实上,PSO产生更好的精度结果。
2017-11-28 cs.NE
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
Impact of noise on a dynamical system: prediction and uncertainties from a swarm-optimized neural network
在这项研究中,人工神经网络(ANN)基于粒子群优化(PSO)的时间序列预测。将ANN+PSO混合算法应用于Mackey-Glass混沌时间序列的短期$x(t+6)$。性能预测进行了评价,并与文献中的其他研究进行了比较。此外,我们提出的动力系统的性质,通过研究从预测的时间序列获得的混沌行为。其次,混合ANN+PSO算法补充高斯随机过程(称为{ \it随机}混合ANN+PSO),以获得一个新的估计的预测,这也使我们能够计算噪声Mackey-Glass混沌时间序列的预测的不确定性。因此,我们研究了白噪声水平($σ_{N}$)为0.01至0.1的几种情况下噪声的影响。
2015-09-20 cs.NE physics.comp-ph
Particle Swarm and EDAs
粒子群优化(PSO)算法是为解决Schaffer F6函数而开发的,总共运行30次,函数计算少于4000次。提出了粒子群优化(PSO)算法的完整模型的四种变体,它们由具有同步和异步更新的环形和星形拓扑结构的组合组成。探索了具有环形和星形拓扑组合以及同步和异步粒子更新的完整模型。
2019-11-16 cs.NE cs.SY eess.SY
QPSO-CD: Quantum-behaved Particle Swarm Optimization Algorithm with Cauchy Distribution
受粒子群优化(PSO)和量子计算理论的启发,提出了一种基于柯西算子和自然选择机制的PSO量子变体(QPSO-CD)。提出的混合量子行为粒子群优化与柯西分布(QPSO-CD)的性能进行了研究,并与其同行的基础上一组基准问题进行了比较。此外,QPSO-CD被用于研究约束工程问题,以研究其适用性。进一步分析了QPSO-CD算法的正确性和时间复杂度,并与经典PSO算法进行了比较。事实证明,QPSO-CD有效地处理了这些现实生活中的问题,并可以在大多数问题中获得更好的解决方案。实验结果表明,结合柯西分布和自然选择策略的QPSO算法在稳定性和收敛性方面优于其他算法。
2020-06-27 cs.NE quant-ph