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
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
Optimisation of Air-Ground Swarm Teaming for Target Search, using Differential Evolution
本文提出了一个群体组队的角度来看,提高了生存网络的经典调查的范围。一个目标搜索通用上下文被认为是测试床,其中一群地面代理和一群无人机合作,使地面代理达到尽可能多的目标,同时也保持尽可能多的连接在任何时候。为了同时优化这两个目标的系统,我们使用一个演化计算的方法,在差分进化算法的形式。结果是令人鼓舞的,显示出良好的进化的适应度函数作为差分进化的一部分,和一个良好的性能的进化的双群系统,它表现出最佳的目标到达和连接之间的权衡。
2019-09-13 cs.MA 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
Generic Behaviour Similarity Measures for Evolutionary Swarm Robotics
新颖性搜索已被证明是一种很有前途的方法,为群体机器人控制器的进化。然而,在现有的研究中,实验者不得不制作一个域相关的行为相似性度量,以在群机器人应用中使用新颖性搜索。依赖手工制作的相似性测量给实验者带来了额外的负担,并在进化过程中引入了偏见。在本文中,我们提出并比较了两个独立于任务的通用行为相似性度量:组合状态计数和采样平均状态。所提出的措施使用的值的传感器和效应器记录为每个单独的机器人的群体。然后通过组合来自所有机器人的传感器效应器值来获得组级行为的表征。我们在一个聚合任务和一个资源共享任务中评估所提出的措施。我们表明,通用措施匹配的性能,解决方案的质量方面的领域相关的措施。我们的研究结果表明,建议的通用措施作为有效的行为相似性措施,它是可能的,利用新颖性搜索的好处,而不必工艺领域的具体相似性措施。
2013-04-11 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
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
A swarm optimization algorithm inspired in the behavior of the social-spider
群体智能是一个模拟昆虫或动物群体集体行为的研究领域。已经提出了几种算法,从这样的模型来解决各种复杂的优化问题。本文提出了一种新的群体算法--社会蜘蛛优化算法(SSO)。单点登录算法是基于对社会蜘蛛协作行为的模拟。在该算法中,个体模仿一组蜘蛛,根据合作群体的生物学规律相互作用。该算法考虑两种不同的搜索代理(蜘蛛):男性和女性。根据性别,每个个体由一组不同的进化算子进行,这些算子模仿群体中通常存在的不同合作行为。为了说明所提出的方法的熟练性和鲁棒性,它是比较其他著名的进化方法。比较检查几个标准的基准函数,通常被认为是在文献中的进化算法。结果表明,所提出的方法具有高性能的搜索全局最优与几个基准函数。
2014-06-12 cs.NE
Adaptive Neuro Particle Swarm Optimization applied for diagnosing disorders
提出了一种新的自适应神经粒子群优化算法(ANPSO)结合模糊推理系统进行故障诊断。新方法的主要贡献是在整个搜索空间内进行全局搜索,具有更快的收敛速度。在控制参数自适应、惯性权重自动控制、个人和社会行为系数自动控制等方面进行了较好的探索和开发。利用这些属性导致能够以高准确度诊断疾病的快速和智能的诊断机制。ANPSO是与调整的推理系统的特性,以实现最小的诊断误差,只要得到优化的模型。作为案例研究,我们使用称为Bupa的肝脏疾病数据集。根据初步的结果,建议的自适应粒子群算法的性能可以克服传统的推理系统,并结合其他优化方法实质上。
2019-10-14 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
A Dual-Channel Particle Swarm Optimization Algorithm Based on Adaptive Balance Search
针对粒子群优化中个体最优与全局最优行为导致探索开发失衡的问题,提出双通道框架与自适应平衡搜索策略,在57个基准函数上验证了更强的泛化性能。
2025-04-21 cs.NE
In Search of Excellence: SHOA as a Competitive Shrike Optimization Algorithm for Multimodal Problems
针对现有群智能算法在多模态困难问题中难以找到最优解的问题,受伯劳鸟集群生存繁育行为启发提出SHOA算法,经41个测试函数和4个工程问题验证,其性能优于多数同类自然启发式算法。
2024-07-09 cs.NE
Hybrid Firefly Algorithm and Sperm Swarm Optimization Algorithm using Newton-Raphson Method (HFASSON) and its application in CR-VANET
本文提出结合萤火虫算法、精子群优化和牛顿-拉夫逊法的混合算法HFASSON,在CEC 2017基准测试中表现优异,并成功应用于CR-VANET提升频谱利用率。
2025-02-03 cs.NE
Explainable Information Processing in Particle Swarm Optimization through Landscape and Search Behavior Analysis
Dr. B. R. Ambedkar National Institute of Technology Jalandhar(B. R. 安贝德卡国立技术学院贾朗达尔分校);University of Jaén(哈恩大学)
本文提出基于机器学习的解释框架,用于解释粒子群优化算法的性能影响因素,通过探索性景观分析量化问题难度并识别关键特征,建立可解释的基准测试框架,揭示群体拓扑结构对信息流、多样性及收敛性的影响。
2026-09-03 cs.LG cs.NE
Pontogammarus Maeoticus Swarm Optimization: A Metaheuristic Optimization Algorithm
目前,元启发式优化算法用于在困难的搜索空间中寻找全局最优解。海洋浮游菌群优化算法(PMSO)是一种模仿水生生物的自然特性和觅食行为的元启发式算法。Pontogammarus Maeoticus,也被简称为Gammarus,是一种主要分布在伊朗里海沿岸的微小生物。在该算法中,全局最优值被建模为海边缘(海岸),Gammarus生物愿意移动到那里,以便从海浪中休息并在沙子中觅食。海浪满足勘探和觅食模式的开发。海浪的强度取决于Gammarus到海边缘的距离。随机设置作用在多个粒子上的波的角度,帮助算法不陷入局部最优。同时,粒子的邻域自适应地变化,从而使搜索过程更加有效。所提出的算法,虽然是适用于任何优化问题,实验部分遮光太阳能光伏阵列。在CEC05基准测试系统和太阳能光伏阵列上的实验表明了该优化算法的有效性。
2018-07-05 cs.NE
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
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
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
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
Analyzing and controlling diversity in quantum-behaved particle swarm optimization
本文针对量子行为粒子群优化(QPSO)定义基因型与表现型多样性,发现到平均点距离多样性与搜索性能关联更强,并提出两种多样性控制策略以提升算法搜索能力。
2023-08-09 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
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
DeepSwarm: Optimising Convolutional Neural Networks using Swarm Intelligence
Department of Computing Science, University \ Aberdeen, Aberdeen AB24 3UE, UK
在本文中,我们提出了DeepSwarm,一种基于群体智能原理的新型神经结构搜索(NAS)方法。DeepSwarm的核心是使用蚁群优化(ACO)来生成蚂蚁种群,蚂蚁种群使用信息素信息来集体搜索最佳神经架构。此外,通过使用局部和全局信息素更新规则,我们的方法确保开发和探索之间的平衡。最重要的是,为了使我们的方法更有效,我们将渐进式神经架构搜索与权重可重用性相结合。此外,由于ACO的性质,我们的方法可以结合启发式信息,可以进一步加快搜索过程。经过系统和广泛的评估,我们发现,在三个不同的数据集(MNIST,Fashion-MNIST和CIFAR-10)相比,现有的系统,我们提出的方法表现出竞争力的性能。最后,我们将DeepSwarm开源为NAS库,希望它能被更多的深度学习研究者和实践者使用。
2019-05-17 cs.LG cs.NE stat.ML
Refined Particle Swarm Intelligence Method for Abrupt Motion Tracking
University of Malaya(马来亚大学);University of West England(西英格兰大学);Kingston University(金斯顿大学)
传统的跟踪解决方案是不可行的,在处理突然的运动,因为他们是基于平滑的运动假设或准确的运动模型。突然运动不受运动连续性和平滑性的影响。为了缓解这一点,我们认为跟踪是一个优化问题,并提出了一种新的基于群体智能的突变运动跟踪器-SwaTrack。与现有的基于群的过滤方法不同,我们首先引入了一个优化的基于群的采样策略,在搜索最优建议分布的搜索空间的探索和利用之间进行权衡。其次,我们提出了动态加速参数(DAP)允许动态调整的最佳均值和方差的分布采样。这种创新性的思想是将这些策略巧妙地结合到粒子群算法框架中来处理突变运动,这是迄今为止还没有发现的,定量和定性的实验结果都表明了该方法在跟踪突变运动方面的有效性。
2014-10-14 cs.CV cs.NE
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
Neural Architecture Search using Particle Swarm and Ant Colony Optimization
Adapt Centre, Dublin City University(都柏林城市大学Adapt中心);Cork Institute of Technology(科克理工学院)
本研究开发图像分类用开源NAS系统OpenNAS,对比群智能算法PSO与ACO优化CNN架构的效果,发现PSO表现更优,尤其在复杂数据集上提升显著,同时以微调预训练模型为性能基线。
2024-03-06 cs.AI cs.LG 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
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
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
Updating velocities in heterogeneous comprehensive learning particle swarm optimization with low-discrepancy sequences
异构综合学习粒子群优化算法(HCLPSO)是一种具有增强探索和利用能力的进化算法。低差异序列(LDS)在覆盖搜索空间方面比随机序列更加均匀。本文利用LDS良好的一致性对HCLPSO算法进行了改进研究。数值实验表明,单纯使用LDS生成初始种群不能有效提高HCLPSO的搜索能力。然而,如果我们从HCLPSO速度更新公式中适当地选择一些随机序列,并用确定性LDS代替它们,我们可以得到一个更有效的算法。在相同精度要求下,与原HCLPSO相比,采用确定性LDS更新速度的HCLPSO在不降低成功率的情况下,可以显著减少寻找最优解所需的迭代次数.
2022-09-20 cs.NA cs.NE math.NA
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
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
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
Improved discrete particle swarm optimization using Bee Algorithm and multi-parent crossover method (Case study: Allocation problem and benchmark functions)
K. N. Toosi University of Technology(K. N. Toosi理工大学)
提出结合蜂群旁观者与多父代交叉的离散粒子群优化算法,在分配问题及多种基准函数上优于对比算法,显著提升性能。
2024-03-15 cs.AI cs.NE
A Metaheuristic Approach for Mining Gradual Patterns
群体智能是一门研究群体行为的学科,这种行为是由一群个体彼此之间以及与环境之间的局部相互作用产生的。在计算机科学领域中,许多群体智能技术被应用于寻求在搜索空间内有效地找到最佳解的优化问题。渐进模式挖掘是另一个计算机科学领域,其可以在从巨大的搜索空间中找到渐进模式的任务中受益于基于群的优化技术的效率。渐变模式是一种基于规则的相关性,描述了数据集属性之间的渐变关系。例如,给定数据集的属性{G,H},渐变模式可以采取以下形式:“G越小,H越大”。在本文中,我们提出了一个渐进模式的候选人,我们使用定义一个有效的搜索空间的数字编码。此外,我们提出了一个系统的研究,几个元启发式优化技术作为有效的解决方案,找到渐进的模式,使用我们的搜索空间的问题。
2022-11-15 cs.DB cs.NE
Enhancing Discrete Particle Swarm Optimization for Hypergraph-Modeled Influence Maximization
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));International School of Information Science & Engineering, Dalian University of Technology(大连理工大学国际信息与软件工程学院);School of Artificial Intelligence, Shanxi University(山西大学人工智能学院);College of Software, Northeastern University(东北大学软件学院)
本文提出基于离散粒子群优化和阈值模型的超图影响最大化方法,通过两层局部影响近似高效评估种子节点影响,改进初始化策略和局部搜索机制,实验证明在合成和真实超图中优于基线方法。
2026-04-17 cs.NE cs.SI
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
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
Particle swarm optimization with state-based adaptive velocity limit strategy
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院);Interdisciplinary Graduate School, Nanyang Technological University(南洋理工大学跨学科研究生院);College of Electrical Engineering, Zhejiang University(浙江大学电气工程学院)
针对现有粒子群优化中速度限制与粒子搜索状态不匹配的问题,提出基于状态自适应速度限制策略的PSO-SAVL,通过进化状态估计动态调整VL并改进限制处理策略,有效提升了全局与局部搜索能力及高维问题可扩展性。
2023-08-02 cs.AI 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
LDW-SCSA: Logistic Dynamic Weight based Sine Cosine Search Algorithm for Numerical Functions Optimization
Firat University(菲拉特大学)
粒子群优化算法(PSO)和正弦余弦算法(SCA)是目前广泛应用的优化方法,但这些方法存在着易陷入局部最优点等缺点。针对这一问题,提出了一种基于Logistic动态权重的正弦余弦搜索算法(LDW-SCSA)。在LDW-SCSA方法中,Logistic映射被用作动态权重生成器。Logistic映射是一种著名的混沌映射,在文献中得到了广泛的应用。LDW-SCSA对SCA的搜索过程进行了改进。为了评估LDW-SCSA的性能,广泛使用的数值基准函数作为测试集,并使用其他群优化方法来获得比较结果。LDW-SCSA的优越性能证明了该方法的成功。
2018-09-09 cs.CV cs.NE
Transformer-Guided Swarm Intelligence for Frugal Neural Architecture Search
本文提出基于Transformer与人工蜂群算法结合的节俭神经架构搜索框架,通过动态熵机制防过早收敛,解决“冷启动”问题。在CIFAR-10及信用卡欺诈检测任务中表现出色,能发现高效、参数少的模型,适合边缘部署。
2026-07-14 cs.AI cs.LG cs.NE
Swarm Intelligence for Multiobjective Optimization of Extraction Process
Universiti Technologi Petronas(马来西亚国家石油大学)
多目标(MO)优化是一个新兴的领域,越来越多地在全球许多行业中实施。本研究对栀子果实中生物活性物质的提取工艺进行了MO优化。三个基于群体的算法已被应用结合正常边界相交(NBI)的方法来解决这个MO问题。在这项工作中的引力搜索算法(GSA)和粒子群优化(PSO)技术的实现。此外,一种新的Hopfield增强粒子群优化算法的开发和应用到提取问题。通过对优势度的度量,对所有算法产生的近似Pareto边界的最优性进行了度量和比较。此外,通过测量前沿的收敛水平,揭示了一些关于客观空间结构与前沿优势水平之间关系的理解。详细的比较研究进行了所有的算法,并在这项工作中开发。
2016-09-30 cs.AI cs.NE
Surrogate-assisted Particle Swarm Optimisation for Evolving Variable-length Transferable Blocks for Image Classification
Victoria University of Wellington(惠灵顿维多利亚大学)
深度卷积神经网络已经在图像分类任务上表现出了有前途的性能,但是由于快速的深度增长和卷积神经网络日益复杂的拓扑结构,手动设计过程变得越来越复杂。因此,神经架构搜索已经出现,以自动设计性能优于手工制作的对应物的卷积神经网络。然而,计算成本是巨大的,例如,对于两个名为NAS和NASNet的优秀神经架构搜索工作,分别需要22,400 GPU-天和2,000 GPU-天,这激发了这项工作。提出了一种新的高效的代理辅助粒子群优化算法来自动进化卷积神经网络。这是通过提出一种新的代理模型,一种新的方法来创建一个代理数据集和一个新的编码策略来编码可变长度块的卷积神经网络,所有这些都被集成到一个粒子群优化算法,形成所提出的方法。所提出的方法显示其有效性,实现竞争出错率的3.49%的CIFAR-10数据集,18.49%的CIFAR-100数据集,和1.82%的SVHN数据集。由于代理模型和代理数据集实现了加速,因此所提出的方法可以在3个GPU天内从CIFAR-10有效地学习卷积神经网络块,以避免训练由粒子表示的80.1%的卷积神经网络块。无需进一步搜索,从CIFAR-10进化的块可以成功地转移到CIFAR-100和SVHN,这表现出所提出的方法学习的块的可转移性。
2020-07-03 cs.CV cs.LG cs.NE
Robust and Efficient Swarm Communication Topologies for Hostile Environments
基于群体智能的优化技术将搜索空间的系统探索与从邻居获得的信息相结合,并且强烈依赖于代理之间的通信。这些算法通常用于解决函数景观不充分已知的问题,并且存在多个局部最优解,这可能导致其他算法过早收敛。这种算法的应用可以在通信系统中找到,包括设计网络以向目标群体有效传播信息,靶向药物递送,其中药物分子在扩散之前搜索受影响的部位,以及利用无人机网络进行高价值目标定位。在几个这样的应用程序中,代理面临着一个敌对的环境,可能会导致在搜索过程中的代理丢失。这样的损失改变了代理的通信拓扑结构,从而改变了代理可用的信息,最终影响算法的性能。在本文中,我们提出了一个研究的影响,损失的代理对这些算法的性能作为一个功能的初始网络配置。我们使用粒子群优化优化目标函数与多个次优区域在恶劣的环境中,并研究其性能的一系列网络拓扑结构与损失的代理。结果揭示了有趣的效率,鲁棒性和性能之间的权衡,随后利用不同的拓扑结构,发现网络的一般属性,最大限度地提高性能。此外,具有小世界属性的网络被认为可以在恶劣条件下最大限度地提高性能。
2020-08-21 cs.MA cs.NE cs.SI
Swarm Bug Algorithms for Path Generation in Unknown Environments
Swedish Defence Research Agency (FOI)(瑞典国防研究局)
针对未知障碍环境中的群体快速通行问题,提出 SwarmCom、SwarmBug1 和 SwarmBug2,并证明 SwarmBug1 在智能体数量趋于无穷时达到最坏情况性能的紧最优界。
2023-08-17 cs.NE cs.RO cs.SY
Quadratically constrained quadratic programming for classification using particle swarms and applications
Indian Institute of Science(印度科学学院)
将粒子群算法应用于多个组合优化问题。在这项工作中,粒子群被用来解决二次约束的二次规划问题。粒子群方法是优化中内点方法作为迭代技术的一个例子。这种方法是新颖的,处理分类问题,而不使用传统的分类器。我们的方法确定最佳超平面或分类边界的数据集。在二进制分类问题中,我们将每个类约束为一个聚类,该聚类被椭球包围。两个簇之间的最优超平面的估计被提出作为一个二次约束的二次问题。采用改进的粒子群算法对优化问题进行分布式求解。我们的方法的优点是使用的方向朝着最优解,而不是搜索整个可行域。在Iris、Pima、Wine和Thyroid数据集上的实验结果表明,该方法优于神经网络,性能接近SVM。
2014-07-23 cs.AI cs.LG cs.NE