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 novel particle swarm optimizer with multi-stage transformation and genetic operation for VLSI routing
作为超大规模集成（VLSI）布线的基本模型，Steiner最小树（SMT）可以用于线长优化、拥塞、时延估计等实际问题。本文提出了一种基于多级变换和遗传操作的粒子群优化算法（PSO），用于构造非曼哈顿SMT和曼哈顿SMT两类SMT。首先，为了能够同时处理两类SMT问题，提出了一种有效的边顶点编码策略。其次，提出了一种多阶段转换策略，既扩大了算法的搜索空间，又保证了算法的有效收敛。我们测试了三种类型，从两个到四个阶段，以及每种类型下的各种组合，以突出最佳组合。第三，设计了结合并寻划分的遗传算子，构造了离散VLSI布线的离散粒子更新公式。此外，为了将不确定性和多样性引入粒子群算法的搜索中，我们提出了一种改进的变异操作与边缘变换。实验结果表明，我们的算法从多层结构的全局角度可以达到最好的解决方案的质量在现有的算法。最后，据我们所知，这是第一个工作，同时解决曼哈顿和非曼哈顿路由。
2018-11-26 cs.NE
Color Image Segmentation Using Multi-Objective Swarm Optimizer and Multi-level Histogram Thresholding
Isfahan University of Technology（伊斯法罕理工大学）
群体智能优化器和计算机处理能力的快速发展为设计更准确、稳定和全面的彩色图像分割方法提供了机会。本文提出了一种新的无监督图像分割方法，结合直方图阈值化方法（Kapur熵和Otsu方法）和不同的多目标群体智能算法（MOPSO，MOGWO，MSSA和MOALO）阈值化彩色图像的三维直方图。该方法首先结合传统阈值化算法的目标函数设计综合目标函数，然后在对设计的目标函数进行优化的过程中，利用多目标优化器寻找最佳阈值。此外，我们的方法在3D空间中使用矢量目标函数，可以同时处理具有相同阈值的整个图像颜色通道的分割。为了优化这个向量目标函数，我们采用多目标群优化器，可以同时优化多个目标函数。因此，我们的方法考虑通道之间的依赖性，以找到同时满足颜色通道的目标函数（我们称之为矢量目标函数）的阈值。使用相同的阈值分割整个颜色通道也受益于这样一个事实，即我们提出的方法需要比其他阈值算法更少的阈值来分割图像;因此，它需要更少的内存空间来保存阈值。当我们想要将许多图像分割成许多区域时，它有很大的帮助。主观和客观的实验结果表明，该方法优于传统的阈值分割方法，单独阈值的彩色图像的直方图。
2021-10-18 cs.CV cs.NE
A Diverse Clustering Particle Swarm Optimizer for Dynamic Environment: To Locate and Track Multiple Optima
针对动态优化中粒子多样性与最优解跟踪不足的问题，提出一种多样化聚类粒子群优化器，通过探索未发现区域并处理重叠粒子，在移动峰值基准上优于现有算法。
2020-05-19 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
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
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 Dynamic-Neighbor Particle Swarm Optimizer for Accurate Latent Factor Analysis
Beihang University（北京航空航天大学）
高维不完全矩阵通常包含大量有价值的潜在信息，潜在因子分析模型可以很好地表示这些矩阵。LFA模型的性能在很大程度上依赖于其优化过程。因此，一些先前的研究采用粒子群优化来增强LFA模型的优化过程。然而，群体中的粒子遵循静态的进化路径，只共享全局最优信息，这限制了粒子的搜索范围，导致次优问题。为了解决这个问题，本文提出了一个动态邻居合作的层次PSO增强的LFA模型具有两个主要思想。首先是邻居合作策略，它提高了随机选择的邻居的粒子的进化速度。二是动态超参数整定。在两个基准数据集上进行了大量的实验，以评估所提出的DHPL模型。结果表明，DHPL实现了更高的精度，而无需超参数调整比现有的PSO合并LFA模型表示的HDI矩阵。
2023-02-23 cs.LG 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
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
Individual and Social Behaviour in Particle Swarm Optimizers
三个基本因素支配着粒子的个体行为：先前位移的惯性;自身最佳经验的吸引力;以及给定邻居最佳经验的吸引力。每个因素的重要性由三个系数控制：惯性、个性和社会性权重。社会行为由社会网络的结构决定，社会网络定义了将其经验告知给定粒子的邻居。本文提出了一种研究的影响，不同的设置的系数，以及不同的设置和不同的邻域拓扑结构的组合效果的收敛速度和形式。
2021-01-25 cs.NE math.OC physics.soc-ph
Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of a General-Purpose Optimizer and Applications
本论文主要研究带不等式约束的连续、静态、单目标优化问题。然而，一些方法来处理其他类型的问题进行了简要的评论。粒子群优化范式的灵感来自于以前对社会生物中观察到的合作行为的模拟。它是一种自下而上的、随机加权的、基于群体的方法，其优化能力来自于局部的、个体与个体的相互作用。与传统方法相反，它可以处理不同的问题，很少或根本没有适应，因为它确实受益于问题的特定问题特征，但通过一群个体对搜索空间进行并行的合作探索。这篇论文的主要目标是开发一个优化器，可以在大多数问题上表现得相当好。因此，该算法的参数的设置对系统的行为的影响进行了研究，寻求一些通用的设置，并提出了一些变化的规范版本，旨在把它变成一个更通用的优化。由于没有终止条件包括在规范版本中，本论文还关注一些停止标准的设计，允许迭代搜索被终止，如果进一步显着的改善是不可能的，或者如果达到一定数量的时间步长。此外，一些约束处理技术被纳入规范算法处理不等式约束。最后，通过优化几个基准问题来说明所提出的通用优化器的能力。
2021-01-25 cs.NE math.OC
A Discrete Particle Swarm Optimizer for the Design of Cryptographic Boolean Functions
本文提出一种结合置换PSO与爬山法的离散粒子群优化器，通过连续遗传算法（CGA）优化参数，用于搜索具有良好密码学性质的平衡布尔函数，实验表明其生成的函数在非线性、相关免疫性和传播准则等组合性质上优于或等同于其他方法。
2024-01-09 cs.CR 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
A Distance Oriented Kalman Filter Particle Swarm Optimizer Applied to Multi-Modality Image Registration
University of Edinburgh（爱丁堡大学）；Toshiba Medical Visualization Systems（东芝医疗可视化系统公司）
在本文中，我们描述了改进的粒子群优化算法（PSO）包括一个无味的卡尔曼滤波器引导粒子运动。我们证明了无迹卡尔曼滤波器粒子群优化算法的有效性，通过比较它与原来的粒子群优化算法及其变种，以提高性能。PSO首先在一些常见的合成基准测试功能上进行了测试，然后将其应用于实际的三维图像配准问题。所提出的方法显示出更好的性能为4出8个基准函数，并减少了至少2mm的目标配准误差时，配准下采样的基准脑图像。我们的方法还证明了能够对齐具有运动相关伪影的图像，而所有其他方法都无法配准。这些新的粒子群算法提供了一种新的，有效的机制，将先验知识集成到优化过程的每次迭代中，这可以提高医学图像配准应用中的收敛精度和速度。
2018-03-20 cs.CV cs.LG cs.NE
Modified swarm-based metaheuristics enhance Gradient Descent initialization performance: Application for EEG spatial filtering
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Shiraz University（设拉子大学）
梯度下降（GD）逼近器通常在具有多个凸尺度的解空间中失败，即，在子空间学习和神经网络场景中。为了解决这个问题，一个解决方案是从不同的随机初始状态运行GD多次，并在所有实验中选择最佳解决方案。然而，这种想法在很多情况下被证明是不切实际的。即使是粒子群优化（PSO）或帝国主义竞争算法（ICA），作为常用的GD初始化器，基于群的优化器，在某些应用中也未能找到最优解。在本文中，基于群的优化算法，如ICA和PSO的修改，一个新的优化框架，以提高GD优化性能。这种改进适用于在多个尺度中具有大量凸局部的应用。所提出的方法的性能进行了分析，在一个非线性子空间滤波的目标函数在EEG数据。所提出的元启发式算法在EEG分类精度和EEG损失函数适应度方面均优于常用的GD初始化基线优化器。优化器也在CEC 2014的一些基准函数中进行了比较，我们的方法再次优于其他算法。
2020-05-06 cs.LG cs.NE stat.ML
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
Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters: A Case Study Implementation
本文讨论了一个关于健身依赖优化器（所谓的FDO）的案例研究，并将其参数调整为物联网（IoT）医疗保健。繁殖方式是由蜂群和FDO的协同决策引发的。与蜜蜂或人工蜂群算法相反，该算法与它们没有任何联系。在FDO中，搜索代理的位置是使用速度或速率更新的，但它的方式不同。它根据问题的适应度函数值创建权重，这有助于引导代理进行探索和开发过程。其他算法进行评估和比较FDO的遗传算法（GA）和粒子群优化（PSO）在原来的工作。目前的关键算法：Salp-Swarm算法（SSA），蜻蜓算法（DA）和鲸鱼优化算法（WOA）已被评估对FDO的结果。使用这些FDO实验结果，我们可以得出结论，FDO优于其他技术。本章有两个主要目标：首先，将逐步展示FDO的实现，以便读者能够更好地理解算法方法并快速应用FDO解决实际应用。第二个问题是如何调整FDO设置，使元启发式进化算法在物联网健康服务系统中更好地评估大量信息。最终，本章增强的目标是调整基于FDO的物联网医疗框架，以产生有效的物联网医疗应用程序，用于推理现实世界的优化，聚合，预测，分割和其他技术问题。
2022-05-18 cs.NE
Particle Swarm Optimization: Development of a General-Purpose Optimizer
传统方法的应用范围非常有限，主要受到待优化函数和约束函数的特性的限制。相比之下，进化算法目前几乎没有限制这些功能的功能，虽然最合适的约束处理技术仍然是一个悬而未决的问题。粒子群优化（PSO）方法有时被视为另一种进化算法，因为它们有许多相似之处，尽管没有受到相同隐喻的启发。也就是说，他们考虑到以前的经验，并使用随机算子引入新的反应，进化出一个种群。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。虽然所有这些优点都是有效的，当比较粒子群算法的范例，传统的方法，其主要优点是相对于进化算法包括其显着降低计算成本和更容易实现。事实上，普通版本可以用几行代码编程，不涉及操作符设计和需要调优的参数。本文论述了三个重要方面的方法：影响的参数'调整的行为的系统;停止标准的设计，使可靠性的解决方案，发现可以在某种程度上估计和计算成本可以节省;和发展适当的技术来处理约束，鉴于原方法是设计用于无约束优化问题。
2021-01-25 cs.NE math.OC
Bombardier Beetle Optimizer: A Novel Bio-Inspired Algorithm for Global Optimization
Yarmouk University（亚穆克大学）；University of Malaya（马来亚大学）；Al-Zaytoonah University of Jordan（约旦扎伊图纳大学）
本文提出了一种名为爆炸 Beetle 优化器（BBO）的新型生物启发算法，受爆炸 Beetle 的防御和逃避机制启发，用于解决全局优化问题。
2025-10-19 cs.NE
A Swarm Variant for the Schrödinger Solver
BITS Pilani K K Birla Goa Campus（比拉理工学院果阿校区）
介绍了指数平均动量粒子群优化算法（EM-PSO）作为一种无导数优化算法在神经网络中的应用。它采用粒子群算法的主要优点，如搜索空间探索和更高的鲁棒性局部极小相比，梯度下降优化，如亚当。基于神经网络的具有梯度优化的求解器现在被用于微分方程的近似解。在这里，我们展示了EM-PSO在近似梯度和利用该属性求解薛定谔方程中的新颖性，用于Particle-in-a-Box问题。我们还提供了数学证明支持的超参数的最佳集合，适合我们的算法。
2021-04-20 cs.LG cs.NE math.OC
Chaotic Fitness Dependent Optimizer for Planning and Engineering Design
适应度依赖优化算法（FDO）是一种最近的元启发式算法，它模仿蜂群的繁殖行为来寻找更好的蜂巢。该算法类似于粒子群优化（PSO），但其工作方式不同。该算法是非常强大的，有更好的结果相比，其他常见的元启发式算法。本文以提高FDO的性能为目标，将混沌理论引入FDO中，提出了混沌FDO（CFDO）。在CFDO中使用了10个混沌映射，以考虑其中哪些表现良好，以避免局部最优，并找到全局最优。由于FDO技术对种群的修正存在问题，因此采用新的技术对特定限制下的种群进行修正。使用CEC 2019中的10个基准函数对拟议的CFDO进行评估。最后，结果表明，CFDO的能力得到了提高。Singer图对CFDO的改善效果最好，Tent图对CFDO的改善效果最差。结果表明，CFDO优于GA，FDO和CSO。CEC2013和CEC2005都用于评估CFDO。最后，将CFDO应用于压力容器设计等经典工程问题，结果表明，CFDO比WOA、GWO、FDO和CGWO更能处理压力容器设计等经典工程问题。此外，将CFDO应用于任务分配问题的求解，并与原FDO进行了比较。结果表明，CFDO具有较好的解决问题的能力。
2021-08-21 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
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
A hybrid level-based learning swarm algorithm with mutation operator for solving large-scale cardinality-constrained portfolio optimization problems
在这项工作中，我们提出了一个混合的变种的基于层次的学习群优化算法（LLSO）解决大规模的投资组合最优化问题。我们的目标是最大限度地提高夏普比的基数，框和预算限制的修改制定。该算法涉及一个投影算子来同时处理这三个约束，我们隐式地控制交易成本由于再平衡约束。我们还引入了一个合适的精确罚函数来管理营业额约束。此外，我们开发了一个特设的变异算子修改候选样本的最高级别的群体。使用三个大规模数据集的实验结果表明，包括这个过程提高了解决方案的准确性。然后，与其他变种的LLSO算法和两个国家的最先进的群优化算法的比较指出，所提出的求解器的探索能力和解决方案的质量方面的出色表现。最后，我们评估的盈利能力的投资组合配置策略，在过去五年中使用的1119个成分的MSCI世界指数的可投资池。
2022-06-29 cs.NE math.OC
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
Improved Fitness-Dependent Optimizer Algorithm
适应度相关优化器（FDO）算法最近于2019年推出。本文提出了一种改进的FDO（IFDO）算法，该算法大大提高了原FDO解决复杂优化问题的能力。为了改进FDO，IFDO计算对齐和内聚，然后根据FDO更新其位置的速度使用这些行为。此外，在确定权重时，FDO使用权重因子（wf），其在大多数情况下为零，仅在少数情况下为一。相反，IFDO在[0-1]范围内执行wf随机化，然后在实现更好的适应度权重值时最小化该范围。在这项工作中，IFDO算法和它的方法收敛到最优解的证明。另外，利用19个经典的标准测试函数组对IFDO算法进行测试，并选取FDO算法和粒子群算法（PSO）、遗传算法（DA）、遗传算法（GA）等3种常用算法对IFDO算法的性能进行评价。利用IEEE Congress of演化计算基准测试函数集CECC 06 2019 Competition对IFDO进行测试，并选取FDO和三种最新算法（salp swarm algorithm，SSA）、DA和whale optimization algorithm（WOA）对IFDO结果进行评价。结果表明，IFDO在某些情况下是实用的，并且在大多数情况下其结果得到了改善。最后，为了证明IFDO的实用性，它被用于实际应用。
2020-01-16 cs.NE
Particle Swarm Optimization: Fundamental Study and its Application to Optimization and to Jetty Scheduling Problems
进化算法相对于传统方法的优势已经在文献中进行了大量的讨论。虽然粒子群优化算法具有这些优点，但它们优于进化算法，因为它们需要更低的计算成本和更容易的实现，不涉及算子设计和很少的系数需要调整。然而，即使这些系数的设置的边际变化也会极大地影响群的动态。由于本文不打算研究他们的调整，通用的设置是从以前的研究，几乎相同的算法用于优化各种显着不同的问题。因此，在审查的范式，该算法进行了测试的一组基准函数和工程问题，从文献中。后来，补充行的代码被纳入适应组合优化的方法，因为它发生在调度问题，并解决了一个真实的情况下，使用相同的优化器与相同的设置。其目的是显示该方法的灵活性和鲁棒性，可以处理各种各样的问题。
2021-01-25 cs.NE math.OC
Cat Swarm Optimization Algorithm -- A Survey and Performance Evaluation
本文对猫群算法进行了深入的研究和性能评估。CSO是一种强大而强大的基于元启发式群的优化方法，自出现以来一直收到非常积极的反馈。它已经解决了许多优化问题，并且已经引入了许多变体。然而，文献缺乏这方面的详细调查或性能评估。因此，本文试图回顾所有这些工作，包括它的发展和应用，并相应地将它们归类。此外，CSO还在23个经典基准函数和10个现代基准函数上进行了测试（CEC 2019）。然后将结果与三种新的强大的优化算法进行比较，即蜻蜓算法（DA），蝴蝶优化算法（BOA）和适应度相关优化算法（FDO）。然后根据Friedman检验对这些算法进行排序，结果表明CSO算法在整体上排名第一。最后，统计方法进一步证实了CSO算法的优越性。
2020-01-10 cs.NE
Numerical Comparison of Neighbourhood Topologies in Particle Swarm Optimization
粒子群优化算法是一种全局优化算法，因为它具有摆脱局部最优解的能力。然而，如果没有充分执行群体内的信息传播，则可能发生过早收敛。的收敛速度，因此磁阻的算法陷入次优解的速度更新方程中的系数的设置，以及由邻域拓扑控制。系数设置控制粒子朝向所识别的良好位置的轨迹，而邻域拓扑控制信息在种群内传播的形式和速度（即社会吸引子的更新）。在文献中已经提出并实现了许多邻域拓扑。本文提供了一个数值比较所表现出的性能由五种不同的邻域拓扑结构结合四种不同的系数的设置时，优化一组基准无约束问题。尽管最佳拓扑结构是问题相关的，它似乎是动态的邻里随着搜索的进展，互连的数量增加，应首选一个非特定问题的优化。
2021-01-25 cs.NE math.OC
MRSO: Balancing Exploration and Exploitation through Modified Rat Swarm Optimization for Global Optimization
针对标准鼠群优化器收敛精度与探索能力不足的问题，提出改进型鼠群优化器MRSO以平衡探索与利用，经经典基准、CEC 2019基准及工程设计问题验证，其性能优于标准RSO及8种近年知名算法。
2024-09-20 cs.NE
Multi objective Fitness Dependent Optimizer Algorithm
本文提出了最近推出的适应度相关优化（FDO）的多目标变种。该算法被称为多目标适应度相关优化器（MOFDO），并配备了所有五种类型的知识（情景，规范，地形，域和历史知识）在FDO。MOFDO在两个标准基准上进行了测试，用于性能验证目的;经典ZDT测试函数，这是一个广泛的测试套件，其名称来自其作者Zitzler，Deb和Thiele，以及IEEE演化计算基准大会（CEC 2019）多模态多目标函数。MOFDO的结果进行了比较的最新变种的多目标粒子群优化（MOPSO），非支配排序遗传算法第三次改进（NSGA-III），和多目标优化算法（MODA）。比较研究表明，在大多数情况下，MOFDO的优越性和比较结果在其他情况下。此外，MOFDO用于优化现实世界的工程问题（例如，焊接梁设计问题）。据观察，该算法成功地提供了各种各样的分布良好的可行的解决方案，使决策者有更多的适用舒适的选择考虑。
2023-01-26 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
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
Enhancing Skin Cancer Diagnosis (SCD) Using Late Discrete Wavelet Transform (DWT) and New Swarm-Based Optimizers
University of Zanjan（赞詹大学）；Iran University of Science and Technology（伊朗科技大学）；Sharif University of Technology（谢里夫理工大学）；Raderon AI Lab（雷德伦人工智能实验室）
针对皮肤癌诊断模型效率和准确性仍有提升空间的问题，提出结合预训练网络、离散小波变换、自注意力模块与三种新型群体优化器的方法，在ISIC数据集上准确率较其他方法至少提高1%，有效增强诊断性能。
2024-11-30 cs.CV cs.LG cs.NE
Is the Fitness Dependent Optimizer Ready for the Future of Optimization?
本文对2019年提出的基于蜜蜂群体智能的FDO（适应度依赖优化器）开展全面综述，梳理其概念、变体与应用，通过对比分析明确其多维度性能的优缺点，并提出未来研究方向以推动算法性能提升。
2025-01-23 cs.NE
Using Swarm Optimization To Enhance Autoencoders Images
自动编码器通过重构学习数据表示。健壮的训练是影响学习表示质量的关键因素，因此，也是影响使用它们的应用程序的准确性的关键因素。以前的工作提出了决定最佳自动编码器配置的方法，以实现强大的训练。然而，提高训练的自动编码器的准确性得到了有限的关注。我们提出了一种新的方法，可以提高训练的自动编码器结果的准确性，并回答以下问题：给定一个训练的自动编码器，一个测试图像，并使用实参数优化器，我们可以生成比自动编码器生成的图像质量更好的重建图像版本吗？我们提出的方法结合了训练的Resitricted Boltman Machine的自动编码器的解码器部分与竞争群优化算法。实验表明，它是可能的重建图像使用训练的解码器从随机初始化的表示。结果还表明，在大多数测试用例中，我们的方法重建的图像质量优于自动编码器。这表明，如果预训练的自动编码器不能给出令人满意的结果，我们可以使用该方法来提高其性能。
2018-07-09 cs.NE
An Evolutionary Multitasking Algorithm with Multiple Filtering for High-Dimensional Feature Selection
最近，进化多任务（EMT）已成功地用于高维分类领域。然而，现有的基于EMT的特征选择（FS）方法中多任务的生成相对简单，仅使用Relief-F方法将重要性相近的相关特征收集到一个任务中，无法为知识转移提供更多样化的任务。为此，本文设计了一种新的高维分类问题的EMT算法，该算法首先采用不同的过滤方法产生多个任务，然后通过知识转移改进竞争性群优化算法来有效地解决这些相关任务。首先，基于多种过滤方法设计了一种多样化的多任务生成方法，通过消除不相关的特征，生成多个相关的低维FS任务。通过这种方式，可以转移用于解决简单和相关任务的有用知识，以简化和加速原始高维FS任务的解决方案。然后，一个竞争性的群优化算法进行修改，同时解决这些相关的FS任务，通过它们之间传递有用的知识。大量的实验结果表明，所提出的基于EMT的FS方法可以获得一个更好的特征子集比几个国家的最先进的FS方法在18个高维数据集。
2022-12-17 cs.NE
Benchmarking Swarm Optimization Algorithms for Parameter Initialization in the Quantum Approximate Optimization Algorithm
The University of Melbourne（墨尔本大学）；CSIRO Clayton（澳大利亚联邦科学与工业研究组织克莱顿分部）
本文研究了群体优化方法在量子近似优化算法参数空间中的应用，发现其在噪声和shot限制条件下表现更优，为近量子算法参数优化提供了新思路。
2026-04-21 cs.NE quant-ph
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
Particle Swarm Optimization for Energy Disaggregation in Industrial and Commercial Buildings
本文提供了一种形式化的粒子群优化的能量分解问题，并显示了粒子群优化分解在多租户商业建筑的成功应用。使用状态变化矩阵的分解问题的数学描述属于用于能量分解的基于非事件的方法的组。这项工作包括在功率域的目标函数的发展和描述的位置和速度的每个粒子在高维状态空间。对于粒子群优化算法，四个自适应已被应用到改善解集的结果，增加了鲁棒性的优化器关于局部最优，并减少计算时间。自适应是变化的运动常数，粒子的振动，框架和早期停止标准。在这项工作中，我们使用两个未标记的功率数据集，粒度为1 s。因此，在功率域中验证了结果，其中可以显示关于多个误差测量（如均方根误差或百分比能量误差）的良好结果。
2020-06-23 cs.NE eess.SP
Using Chaos in Grey Wolf Optimizer and Application to Prime Factorization
灰狼优化器（GWO）是一种受自然界中灰狼的狩猎行为和社会等级启发的群体智能元启发式算法。本文分析了该算法中混沌理论的应用，通过用混沌变量替换关键参数来提高其跳出局部最优解的能力。混沌映射的最优选择，然后应用混沌灰太狼优化（CGWO）的问题，一个大的半素数分解成其素因子。假设因子的位数相等，这是RSA密码系统所依赖的计算上困难的任务。这项工作提出了使用一个新的目标函数来解决这个问题，并使用CGWO优化它和计算的因素。结果表明，对于大的半素数，该函数的性能优于其前身，CGWO是一个有效的算法来优化它。
2018-06-12 cs.CR 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
Influence of Initialization on the Performance of Metaheuristic Optimizers
Xidian University（西安电子科技大学）；Middlesex University（密德萨斯大学）
所有的超启发式优化算法都需要一些初始化，并且这种优化器的初始化通常是随机进行的。然而，初始化可以有一些显着的影响，这样的算法的性能。本文系统地比较了差分进化（DE）、粒子群优化（PSO）、布谷鸟搜索（CS）、人工蜂群（ABC）算法和遗传算法（GA）等5种优化算法在22种不同初始化方法下的收敛性和精度。我们使用了19个不同的测试函数，具有不同的属性和方式来比较初始化，人口规模和迭代次数的可能影响。严格的统计排序测试表明，DE算法的函数中有43.37%的函数在不同初始化方法下表现出显著差异，而PSO和CS算法的函数中有73.68%的函数在不同初始化方法下表现出显著差异。仿真结果表明，差分进化算法对初始值不敏感，而粒子群算法和混沌进化算法对初始值敏感。此外，在函数评价（FE）的最大数目相同的条件下，种群大小也可以有很强的影响。粒子群优化通常需要较大的种群，而布谷鸟搜索只需要较小的种群规模。差分进化在很大程度上依赖于迭代次数，相对较小的种群和更多的迭代可以导致更好的结果。此外，ABC是更敏感的初始化，而这样的初始化对遗传算法的影响不大。一些概率分布，如贝塔分布，指数分布和瑞利分布通常可以导致更好的性能。本研究的意义和进一步的研究课题也进行了详细讨论。
2020-03-08 cs.LG cs.NE math.OC
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
An efficient hybrid classification approach for COVID-19 based on Harris Hawks Optimization and Salp Swarm Optimization
University of Technology, Baghdad（巴格达技术大学）；University of Kurdistan Hewler（库尔德斯坦赫勒尔大学）
特征选择可以定义为预处理步骤之一，其通过识别最重要的属性来降低数据集的维度，同时还提高分类的准确性。为了解决特征选择问题，本研究提出了一种用于Covid-19分类的Harris Hawks优化算法（HHO）和Salp Swarm优化算法（SSA）（HHOSSA）的混合二进制版本。建议（HHOSSA）提出了一种策略，用于改善基本HHO的性能，使用Salp算法的权力，以选择最佳的健身值。HHOSSA针对两种众所周知的优化算法进行了测试，鲸鱼优化算法（WOA）和灰狼优化器（GWO），共使用了800张胸部X射线图像。在使用三种分类器（支持向量机（SVM）、k-最近邻（KNN）和极端梯度提升（XGBoost））的研究中，总共采用了四种性能指标（准确度、召回率、精度、F1）。所提出的算法（HHOSSA）实现了96%的准确率与SVM分类器，和98%的准确率与两个分类器，XGboost和KNN。
2022-12-25 cs.LG cs.NE
Orthogonally Initiated Particle Swarm Optimization with Advanced Mutation for Real-Parameter Optimization
本研究提出带变异的正交PSO算法OPSO-m，通过正交阵列初始化种群、基于档案库的分群自适应学习及精英变异策略，在CEC 2017多维度实参数测试中表现优于现有先进算法。
2024-05-21 cs.NE math.OC
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
G-ICSO-NAS: Shifting Gears between Gradient and Swarm for Robust Neural Architecture Search
Hokkaido University（北海道大学）
本文提出G-ICSO-NAS框架，结合改进的竞争群体优化与可微方法，通过三阶段优化策略提升NAS性能，实现CIFAR-10 97.46%准确率及强迁移能力。
2026-04-01 cs.NE
Efficient Multiplayer Battle Game Optimizer for Adversarial Robust Neural Architecture Search
本文提出高效多人战斗游戏优化器（EMBGO），通过整合移动与战斗阶段并引入差分变异和Lévy飞行算子，提升搜索效率与种群多样性，在CEC基准和ARNAS任务中验证了其有效性与鲁棒性。
2024-03-15 cs.NE
Networking the Boids is More Robust Against Adversarial Learning
University of New South Wales（新南威尔士大学）
使用类Boids模型的群体行为主要使用近距离空间感觉信息（例如视觉范围）进行研究。在这项研究中，我们提出了一种新的方法，其中的经典定义的boids \textquoteright \邻里依赖于感官知觉和欧几里得空间局部性被取代与图论网络为基础的接近模仿通信和社交网络。我们证明，网络的boids导致更快的群集和更高质量的形成。我们进一步研究了对抗性学习的效果，即观察者试图通过观察其行为来逆向工程群体的动态。结果表明，与局部邻近邻域结构相比，将群网络化是一种更强大的对抗对抗性学习的方法。
2018-02-27 cs.LG cs.NE
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
Whale swarm algorithm with the mechanism of identifying and escaping from extreme points for multimodal function optimization
Huazhong University of Science and Technology（华中科技大学）
大多数现实世界中的优化问题往往会出现多个全局最优或局部最优。因此，越来越多的小生境元启发式算法，致力于寻找多个最优在一个单一的运行，被开发来解决这些多峰优化问题。然而，现有的小生境元启发式算法存在两个亟待解决的难题：如何针对不同的优化问题设置小生境参数的最优值，以及如何有效地跳出局部最优。这两个难点在很大程度上限制了它们的实用性。本文在前人提出的鲸群算法（WSA）的基础上，提出了一种新的多峰优化算法WSA with Iterative Counter（WSA-IC）。WSA-IC一方面改进了WSA的迭代规则，避免了对不同问题指定不同的衰减系数以形成多个子种群的需要，同时也不引入任何小生境参数。另一方面，WSA-IC使得能够在迭代期间依赖于两个新参数（即，稳定性阈值Ts和适应性阈值Tf），以跳出所定位的极值点。同时证明了WSA-IC的收敛性。最后，在CEC 2015小生境基准测试函数和另外5个高维经典多峰函数上，将该算法与几种小生境元启发式算法进行了比较.实验结果表明，WSA-IC在统计上优于其他小生境元启发式算法对大多数测试函数。
2019-07-05 cs.AI cs.NE
Military Dog Based Optimizer and its Application to Fake Review
Jaypee Institute of Information Technology（杰皮信息技术学院）；Delhi Technological University（德里技术大学）；IP College of Women（IP女子学院）
在过去的三十年中，超过六十元启发式算法已被提出的各种作者。这些算法的灵感来自物理现象、动物行为或进化概念。这些算法已被广泛用于解决各种现实世界的优化问题。研究人员正在不断努力改进现有的算法，并提出新的算法，这些算法与文献中的现有算法相比具有竞争力。提出了一种基于军犬小队的Meta启发式搜索算法。该算法模拟了军犬的搜索能力。军犬有很强的嗅觉，它们能够搜索可疑物体，如炸弹，野生动物粪便，货币或血液，以及它们可以通过吠叫相互交流。在17个基准函数上对该算法的性能进行了测试，并与粒子群优化（PSO）、多元宇宙优化（MVO）、遗传算法（GA）、概率学习（PBIL）和进化策略（ES）等5种元算法进行了比较。结果验证的平均值和标准偏差的适应值。通过绘制收敛图和BoxPlots验证了结果的收敛性和一致性。此外，该算法被成功地用于解决现实世界中的虚假评论检测问题。实验结果表明，该算法优于其他考虑的算法的大多数性能参数。
2019-09-26 cs.AI cs.NE
