A theoretical guideline for designing an effective adaptive particle swarm
在本文中，我们从理论上研究了在过去几年中用于设计自适应粒子群优化算法的基本假设。我们将这些假设与由系数值（惯性权重和加速度系数）控制的粒子的运动模式相关联，并引入三个因素，即粒子位置的自相关性、粒子在每次迭代中的平均运动距离以及搜索的焦点，来描述这些运动模式。我们展示了这些因素如何代表群内粒子的运动模式，以及它们如何受到粒子系数的影响（即，惯性权重和加速度系数）。我们推导出方程，提供精确的系数值，以保证实现所需的运动模式定义的这三个因素在一个群。然后，我们将这些运动与粒子的搜索能力联系起来，并为设计潜在成功的自适应方法来控制粒子群中的系数提供指导方针。最后，我们提出了一个新的简单的时间自适应粒子群，并比较其结果与以前的自适应粒子群方法。实验结果表明，理论研究结果确实为粒子群优化算法中系数的成功自适应提供了有益的指导。
2018-02-13 cs.NE
Particle Swarm Optimization in 3D Medical Image Registration: A Systematic Review
医学图像配准试图找到最佳的空间变换，最好地对齐底层解剖结构。这些问题通常需要优化的相似性度量。群体智能技术是一种非常有效的优化方法。本文系统综述了基于粒子群优化算法的三维医学图像配准
2023-02-22 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
Evaluation of Particle Swarm Optimization Algorithms for Weighted Max-Sat Problem: Technical Report
通过实验评估了4种不同的粒子群优化邻域结构在求解Max-Sat问题中的性能。实验表明，没有一个算法达到统计上显着的性能超过其他的置信水平为0.05。
2017-03-17 cs.NE
Handling boundary constraints for numerical optimization by particle swarm flying in periodic search space
分析了粒子群的周期模式和两种常规的边界处理模式。通过提供包括原始搜索空间的周期性副本的无限空间，避免了由边界处的不期望的突变引起的粒子群的可能的混乱。测试结果表明，与传统模式和其他算法相比，周期模式粒子群算法能够显著提高搜索性能。
2005-05-25 cs.NE
Review of Swarm Intelligence-based Feature Selection Methods
University of Kurdistan（库尔德斯坦大学）；Queensland University of Technology（昆士兰科技大学）；University of Applied Science and Technology（应用科学与技术大学）
在过去的几十年中，计算机和数据库技术的快速发展导致了大规模数据集的快速增长。另一方面，具有需要高速度和高精度的高维数据集的数据采掘应用正在迅速增加。这些应用程序的一个重要问题是维数灾难，其中特征的数量远远高于模式的数量。降维方法之一是特征选择，它可以提高数据采掘任务的准确性，降低其计算复杂性。特征选择方法旨在选择具有最低内部相似性和与目标类的最高相关性的特征子集。它通过消除不相关、冗余或噪声数据来降低数据的维度。本文对不同的特征选择方法进行了比较分析，并对这些方法进行了一般性的分类。此外，本文研究了最新的群体智能算法，并对基于这些算法的特征选择方法进行了综述。此外，对不同的基于群体智能的特征选择方法的优缺点进行了评价.
2020-08-07 cs.LG cs.NE stat.ML
A Stable Combinatorial Particle Swarm Optimization for Scalable Feature Selection in Gene Expression Data
演化计算（EC）算法，例如离散和多目标版本的粒子群优化（PSO），已经被应用于解决特征选择（FS）问题，以解决充满局部最小值的搜索空间的组合爆炸。此外，高维FS问题，如寻找一小组生物标志物进行诊断调用添加了额外的挑战，因为这种方法挑选出最重要特征的能力必须在增加维度和存在不相关特征的决策空间中保持不变。我们开发了一种组合PSO算法，称为COMB-PSO，它可以扩展到高维基因表达数据，同时仍然选择允许可靠分类样本的最小基因子集。COMB-PSO算法在编码方式、收敛速度、发散性和多样性控制等方面均优于传统的PSO算法，并在搜索空间的探索和利用方面取得了较好的平衡。将我们的方法应用于不同癌症的真实基因表达数据，COMB-PSO找到了最小尺寸的基因集，从而可以对潜在疾病类别进行可靠的分类。
2019-01-24 cs.NE
CriPS: Critical Dynamics in Particle Swarm Optimization
粒子群优化（PSO）利用动力学系统来解决搜索任务。而不是增加搜索偏差，以提高性能在某些问题中，我们的目标是通过控制群的机制，是无标度的，除了可能的抑制超出系统大小的规模，以消除算法引起的规模。通过这种方式，由于大规模探索和局部搜索的平衡，实现了非常有希望的性能。由此产生的算法显示了自组织临界性的证据，通过群的内在动力学，因为它与目标函数相互作用，而不是被明确指定。临界粒子群（CriPS）可以很容易地与许多现有的扩展，如混沌探索，额外的力项或非平凡的拓扑结构相结合。
2014-02-27 cs.NE
A Bayesian Interpretation of the Particle Swarm Optimization and Its Kernel Extension
粒子群优化算法是一种解决复杂优化问题的常用方法。已经有人尝试用正式的概率或随机术语（例如裸骨粒子群）来制定该方法，目的是实现更大的通用性并解释该方法的实际行为。在这里，我们提出了粒子群优化的贝叶斯解释。这种解释提供了一个正式的框架，用于整合关于正在解决的问题的先验知识。此外，它还允许通过使用核函数来扩展粒子优化方法，该核函数表示数据到不同空间的中间变换，在该不同空间中，优化问题预计更容易解决，这种变换可以被视为关于优化问题的性质的先验知识的形式。我们从一般的贝叶斯公式推导出常用的粒子群方法作为特殊情况。
2012-11-16 cs.NE
Critical Parameters in Particle Swarm Optimisation
粒子群优化算法是一种元启发式算法，如果使用合适的参数，它可以在广泛的应用问题中找到合理的解决方案。我们研究的随机动力系统，由于准线性群体动力学的框架中的算法的性能，产生的粒子的稳定性分析结果。这种考虑预测了算法参数之间的关系，标志着收敛和发散行为之间的边缘。与模拟结果的比较表明，该算法的性能最好的不稳定的边缘附近。
2015-11-19 cs.NE
A Particle Swarm Optimization hyper-heuristic for the Dynamic Vehicle Routing Problem
本文提出了一种基于粒子群优化算法的动态车辆路径问题优化器的选择方法的基础上，一个给定的问题实例的初始可用数据。基于由在该数据上训练的线性模型做出的预测以及由优化算法获得的相关结果来选择优化算法。所取得的结果表明，这样的模型可以用于超启发式方法，因为它提高了平均结果，在一组基准实例，通过选择适当的算法在82%的重要情况下。两个领先的多群粒子群优化算法用于解决动态车辆路径问题的基本优化算法：Khouadjia等人的多环境多群优化算法和作者的2-阶段多群粒子群优化算法。
2020-06-15 cs.NE
Particle swarm optimization for online sparse streaming feature selection under uncertainty
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）
针对在线稀疏流式特征选择中特征-标签关系不确定和数据不完整问题，提出融合粒子群优化与三支决策的POS2FS框架，在六个真实数据集上验证其优于现有OSFS和OS2FS方法。
2025-08-24 cs.AI cs.LG cs.NE
A dissipative particle swarm optimization
根据耗散结构的自组织性，提出了一种耗散粒子群优化算法。引入负熵，构造一个远离平衡态的开放耗散系统，以更好的适应度驱动不可逆演化过程。通过对两个多峰函数的测试表明，该算法有效地提高了性能
2005-05-27 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
Comparative approach: Electric distribution optimization with loss minimization algorithm and particle swarm optimization
本文综述了损耗最小化算法与粒子群优化算法在配电优化中的性能数学比较，为复杂电力系统优化问题提供方法参考。
2024-02-19 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
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
Self-adaptive Potential-based Stopping Criteria for Particle Swarm Optimization
我们研究了粒子群优化算法（PSO）的变种，它在一个维度上应用随机速度，而不是常规速度更新方程，只要所谓的群的潜力低于这个维度上的某个界限，由用户任意设置。在这种情况下，蜂群执行强制移动。在本文中，我们感兴趣的是如何，通过计算被迫移动，群可以决定自己停止其运动，因为它是不可能找到更好的解决方案的候选人，因为它已经发现，我们正式证明，当群接近（局部）最优，它的行为就像一个盲目的搜索云，和强迫移动的频率超过一定的，客观的功能独立的值。基于这一观察，我们定义了停止标准，并通过实验对它们进行了评估，结果表明，可以比应用其他标准更快地找到好的解决方案候选人。
2019-05-29 cs.NE
Efficient Feature Selection of Power Quality Events using Two Dimensional (2D) Particle Swarms
The University of Auckland（奥克兰大学）；Sarvajanik College of Engineering & Technology（萨尔瓦贾尼克工程技术学院）
针对电能质量事件中的特征选择问题，提出了一种新的二维学习框架。与现有的特征选择方法不同，所提出的2D学习明确地并入了关于子集基数的信息（即，特征的数量）作为附加的学习维度以有效地指导搜索过程。考虑到符合IEEE标准1159的14个不同类别的PQ事件，已经证明了这种方法的有效性。通过考虑两种归纳算法：朴素贝叶斯（NB）和k-最近邻（k-NN），将2D学习方法的搜索性能与其他六种众所周知的特征选择包装器进行了比较。此外，考虑到七个不同的噪声水平的选择/减少的特征子集的鲁棒性进行了研究。这项调查的结果令人信服地表明，所提出的2D学习可以识别PQ事件的显着更好和强大的特征子集。
2019-04-15 cs.LG cs.NE
Dynamic Multi Objective Particle Swarm Optimization based on a New Environment Change Detection Strategy
现实世界优化问题的动态性对传统的粒子群优化算法提出了新的挑战。为了应对这些挑战，动态优化在过去十年中受到了相当大的关注。本文提出了一种基于动态多目标优化的粒子群优化算法（Dynamic-MOPSO），其主要思想是利用粒子群优化算法的优点，提出一种新的环境变化检测策略，来解决动态环境变化问题。通过这种方式，我们的方法不仅可以获得最优解，而且还可以检测环境变化。因此，DynamicMOPSO保证了在动态研究空间中的探索和开发之间的平衡。我们的方法是通过最流行的动态基准测试的功能来评估其性能作为一个很好的方法。
2019-03-25 cs.NE
A Hybrid Swarm and Gravitation based feature selection algorithm for Handwritten Indic Script Classification problem
Jadavpur University（jadavpur大学）
在任何多脚本环境中，在将文档图像馈送到其各自的光学字符识别（OCR）引擎之前，手写脚本分类是至关重要的。多年来，这个复杂的模式分类问题已经通过研究人员提出各种特征向量来解决，这些特征向量大多具有较大的维度，从而增加了整个分类模型的计算复杂度。特征选择（FS）可以用作中间步骤，以通过将特征向量仅限制于基本和相关特征来减小特征向量的大小。在我们的论文中，我们已经解决了这个问题，通过引入一个新的FS算法，称为混合群和基于引力的FS（HSGFS）。该算法运行在最近文献中介绍的3个特征向量上-距离Hough变换（DHT），方向直方图（HOG）和改进的log-Gabor（MLG）滤波器变换。三个国家的最先进的分类器，即，多层感知器（MLP），K-最近邻（KNN）和支持向量机（SVM）用于手写体文字分类。手写的数据集，准备在块，文本行和字的水平，包括官方认可的12个印度脚本用于评估我们的方法。通过仅利用所有三个数据集上约75- 80%的原始特征向量，在分类精度方面实现了2- 5%的平均改善。与一些常用的FS模型相比，所提出的方法也显示出更好的性能。
2020-05-10 cs.CV cs.LG 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
A K-means-based Multi-subpopulation Particle Swarm Optimization for Neural Network Ensemble
本文提出了一种基于k-均值的多子群粒子群优化算法（KMPSO），用于训练神经网络集成。在建议的KMPSO，粒子动态划分成集群通过k-均值聚类算法在每次迭代，每个得到的集群负责训练一个组件神经网络。的KMPSO的性能进行了评估的几个基准问题。实验结果表明，该方法能够有效地控制集成中的多样性和准确性之间的权衡，与相关算法相比，取得了较好的效果。
2019-06-12 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
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
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
Optimizing semiconductor devices by self-organizing particle swarm
提出了一种自组织粒子群算法。通过对简化模型的实验分析，该算法采用小惯性权重，工作在耗散状态，收敛速度快。然后根据器件参数的工艺偏差信息识别并替换不活跃的粒子，引入涨落，以更好的适应度驱动不可逆进化过程。通过对基准测试函数的测试和对所设计适应度函数的器件优化应用实例表明，该方法有效地提高了性能。
2005-05-25 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
Q-Gaussian Swarm Quantum Particle Intelligence on Predicting Global Minimum of Potential Energy Function
我们提出了一种新开发的高斯群类量子粒子优化算法（q-GSQPO）来确定势能函数的全局最小值。类量子粒子群优化（SQPO）算法是利用不同的吸引势场来表示粒子群在量子环境中的运动，其中以谐振子势作为吸引势场的算法是一种改进算法。在本文中，我们提出了一个新的SQPO，使用高斯概率密度函数的吸引势场（q-GSQPO），而不是高斯（GSQPO），对应于调和势。将q-GSQPO的性能与GSQPO进行比较。新算法通过提高相空间采样效率和避免早熟收敛到局部极小值，在大多数情况下优于GSQPO算法。此外，两种算法的计算工作量相当。我们测试了该算法，以确定在2，5，10和50维空间中移动的粒子的最低能量配置。
2013-11-04 cs.NE
The SVM Classifier Based on the Modified Particle Swarm Optimization
Moscow Technological Institute（莫斯科技术学院）
研究了基于改进粒子群算法的SVM分类器的开发问题。该算法同时搜索支持向量机分类器的核函数类型、核函数参数值和正则化参数值。这种SVM分类器提供了高质量的数据分类。在改进粒子群算法的基础上提出了粒子“再生”的思想。在实现这一思想时，一些粒子将其核函数类型改变为与具有最佳分类精度值的粒子相对应的核函数类型。所提供的粒子群优化算法可以减少SVM分类器开发的时间开销。实验结果证实了该算法的有效性。
2016-03-21 cs.LG cs.NE
Parameter Adaptation and Criticality in Particle Swarm Optimization
通用性是启发式算法的主要优点之一，因此，多个参数被暴露给用户，目的是允许他们根据自己的特定需求来塑造算法。因此，参数选择成为每个启发式算法的内在问题。选择好的参数值不仅依赖于与手头问题相关的知识，还依赖于算法本身。本研究探讨使用自组织临界性，以减少用户的互动过程中选择合适的参数的粒子群优化（PSO）算法。一个粒子群的变种（自适应PSO）与自组织临界开发和基准对标准PSO。在这个群的动态行为中观察到临界性，并且从长远来看观察到优异的结果。与标准PSO相比，自适应PSO在任何时间点都不会停滞，更好地平衡了探索和利用的概念。还开发了一个粒子群实验的软件平台，称为PSO实验室。该软件用于测试标准PSO以及在创建自适应PSO的过程中开发的所有其他PSO变体。由于该软件旨在帮助未来的相关研究，特别注意开发友好的图形用户界面。粒子群是实时的，允许用户通过改变参数进行实验。
2017-05-19 cs.NE
A Novel Multi-Objective Velocity-Free Boolean Particle Swarm Optimization
本文将布尔粒子群优化算法扩展到多目标环境中，据我们所知，这在文献中是第一次。我们提出的新的布尔算法，MBOnvPSO，是显着简化的速度更新规则的省略，并具有增强的探索能力，由于包括在位置更新规则，防止粒子被困在局部最优的“噪声”项。我们的算法还利用外部档案来存储非支配的解决方案，并实现拥挤距离，以鼓励解决方案的多样性。在基准测试中，MBOnvPSO产生高质量的帕累托前沿，相比基准的替代品，为所有考虑的多目标测试功能，具有竞争力的性能，在搜索空间与多达600个离散维度。
2022-10-12 cs.NE
The Convergence Indicator: Improved and completely characterized parameter bounds for actual convergence of Particle Swarm Optimization
粒子群优化算法是一种求解连续黑箱最优化问题的元启发式算法。在本文中，我们专注于粒子群的收敛性，即，算法的开发阶段。我们引入了一个新的收敛指标，可以用来计算粒子最终是否会收敛到一个点或发散。使用这个收敛指标，我们提供了实际的界限完全表征参数区域，导致收敛的群体。我们的边界扩展的参数区域的收敛性是有保证的收敛方差，通常在文献中使用的范围。为了评估我们的标准，我们描述了一个数值逼近使用三次样条插值。最后，我们提供的实验表明，我们的概念，公式和由此产生的收敛界代表粒子群算法的实际行为。
2020-06-06 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
Convergence analysis of particle swarm optimization using stochastic Lyapunov functions and quantifier elimination
本文增加了粒子群稳定性的理论方面的讨论，提出采用随机李雅普诺夫函数，并确定收敛集的量词消去。我们提出了一个计算过程，并表明，这种方法导致重新评估和扩展以前已知的稳定区域的PSO使用Lyapunov方法下停滞的假设。
2020-02-05 cs.NE cs.SC math.DS
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
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 in constrained maximum likelihood estimation a case study
University of California, Los Angeles（加州大学洛杉矶分校）
本文的目的是应用两种类型的粒子群优化算法，全局最优和局部最优粒子群优化算法来解决生物信息学中的伪时间分析中的约束极大似然估计问题。结果表明，当优化问题是不可微的、非凸的，无法得到解析解，不能应用基于梯度的方法时，粒子群算法是非常有用和有效的.
2021-04-09 cs.AI cs.NE stat.AP
Finding a Maximum Clique using Ant Colony Optimization and Particle Swarm Optimization in Social Networks
在线社交网络中用户之间的交互在社会网络分析中起着关键作用。社会群体的一种重要类型是用户之间的全连接关系，即集团结构。因此，找到一个最大团是必不可少的一些分析。提出了一种基于蚁群优化算法和粒子群优化算法相结合的新方法。在该方法中，为了达到更好的效果，采用粒子群优化算法对信息素更新过程进行了改进。在流行的标准社会网络基准测试中，与标准蚁群优化算法进行比较，结果表明该算法相对有所增强。
2013-11-28 cs.NE cs.SI
HPSO: Particle Swarm Optimization with Hypergraph-Based Topology
School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；Key Laboratory of Social Computing and Cognitive Intelligence (Dalian University of Technology), Ministry of Education（教育部社会计算与认知智能重点实验室（大连理工大学））；Centre for Data Science and Artificial Intelligence & School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学数据科学与人工智能中心及工程与计算机科学学院）；National and Local Joint Engineering Laboratory of Computer Aided Design, Dalian University（大连大学计算机辅助设计国家地方联合工程实验室）
该研究针对标准粒子群优化（PSO）无法捕捉高阶社会关系的问题，提出基于超图拓扑的HPSO算法，通过超边实现多粒子直接交互并设计自适应拓扑更新策略，在IEEE CEC'17基准上验证了其优异搜索性能。
2026-08-11 cs.NE
A tutorial on Particle Swarm Optimization Clustering
本文提出了一个教程的数据聚类技术使用粒子群优化方法。在Merwe等人提出的工作之后。在这里，我们提出了一个深入的算法分析，以及Matlab实现和一个简短的教程，解释了如何修改拟议的实现和原始算法的参数的影响。此外，我们提供了一个比较使用众所周知的K-Means方法获得的结果。本文中提供的所有源代码都是在GPL-v2许可下公开提供的。
2018-09-06 cs.AI cs.NE
Particle Swarm Optimization Based Demand Response Using Artificial Neural Network Based Load Prediction
University of Central Florida（中佛罗里达大学）
提出了一种基于粒子群优化算法的电力需求响应模型，并利用人工神经网络进行负荷预测。以美国德克萨斯州奥斯汀市某居民区的电力负荷和气候数据作为人工神经网络的输入，结合日前电价数据求解负荷转移和成本降低问题。结果表明，该模型具有降低支付费用和峰值负荷的能力。
2022-07-10 cs.LG cs.NE
Hyper-parameter estimation method with particle swarm optimization
Zhejiang University of Science and Technology（浙江科技大学）
由于超参数到损失函数或泛化精度的映射的数学公式不清楚，粒子群优化（PSO）方法不能直接用于超参数估计问题。贝叶斯优化（BO）框架能够将超参数的优化转换为捕获函数的优化。采集函数为非凸多峰。因此，粒子群算法可以较好地解决这一问题。本文提出的方法在BO框架下使用粒子群方法对捕获函数进行优化，以获得更好的超参数。所提出的方法在分类和回归模型的性能进行了评估和证明。改进了几个基准问题的结果。
2020-12-14 cs.LG cs.NE
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
Application of Particle Swarm Optimization to Microwave Tapered Microstrip Lines
由于其强大的功能，应用元启发式算法一直在电气工程领域的持续兴趣。在这项工作中，专门设计了一个锥形传输线用于匹配一个任意的实际负载到一个50Ω的线。目前的问题是使用三段锥形传输线将该任意负载与50 Ω线路匹配，其中阻抗从负载起按降序排列。因此，问题变成了优化一个具有三个未知数和各种条件的方程。使用粒子群优化算法获得优化值。可以很容易地表明，粒子群算法是非常强大的，在解决这类多目标优化问题。
2014-03-12 cs.NE
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
Particle Swarm Optimization based on Novelty Search
Seth Anandram Jaipuria College（塞特·阿南德拉姆·贾伊普里亚学院）；GLA University（GLA大学）
本文提出将新颖性搜索与粒子群优化相结合，利用目标无关的新颖性搜索引导粒子群严格搜索全局最优解，避免陷入局部最优，并在复杂测试函数上验证了算法的鲁棒性和有效性。
2024-07-11 cs.AI cs.NE
Particle Swarm Optimization Based Diophantine Equation Solver
University of Mumbai（孟买大学）；Tata Institute of Fundamental Research（塔塔基础研究所）
提出使用粒子群优化算法求解丢番图方程，通过整数粒子群在可行空间中优化位置，利用个体最优和全局最优位置迭代搜索，能够提供多个解。
2010-03-13 cs.NA cs.NE math.NA
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
Pseudo-Adaptive Penalization to Handle Constraints in Particle Swarm Optimizers
惩罚方法是一种流行的技术，以提供粒子群优化与处理约束的能力。缺点是需要惩罚系数，其设置是针对具体问题的。虽然自适应系数可以在文献中找到，本文提出了一种不同的自适应方案，其中系数保持恒定。伪自适应放宽约束违反的公差，同时只惩罚超出此类公差的违规，导致伪自适应惩罚。一套基准问题的三种类型的公差松弛：无松弛;自调整初始松弛与确定性减少;和自调整初始松弛与伪自适应减少的粒子群优化算法进行了测试。其他作者的研究结果可作为参考。
2021-01-25 cs.NE math.OC
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
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
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
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
