A Tunable Particle Swarm Size Optimization Algorithm for Feature Selection
特征选择是识别统计上最相关的特征以提高分类器的预测能力的过程。为了找到最佳的特征子集，基于种群的方法，如粒子群优化算法（PSO）和遗传算法被广泛采用。然而，这是一个普遍的观察，没有正确的粒子集的群体可能会导致次优的解决方案，影响分类器的准确性。为了解决这个问题，我们提出了一种新的可调群大小的方法来重新配置粒子在一个标准的PSO，基于数据集，在实时的。该算法被命名为可调粒子群优化算法（TPSO）。它是一种基于包装器的方法，其中交替决策树（ADT）分类器用于识别有影响力的特征子集，这是进一步评估的一个新的目标函数，它集成了分类精度（CA）与修改后的F分数，以确保更好的分类精度在不同的人口规模。基准数据集和Wilcoxon统计检验的实验研究证明，该算法（TPSO）是有效的，在确定最佳的特征子集，提高分类精度的基础分类器相比，其独立的形式。
2018-06-20 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
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
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
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
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
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 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
BSAS: Beetle Swarm Antennae Search Algorithm for Optimization Problems
甲虫天线搜索算法是一种有效的元启发式算法。然而，BAS的收敛结果严重依赖于在每次迭代的随机甲虫方向。更具体地，不同的随机种子可能导致不同的优化结果。此外，BAS的步长更新算法不能保证目标在迭代过程中变小。为了解决这些问题，本文提出了一种结合群体智能算法和基于反馈的步长更新策略的甲虫群搜索算法（BSAS）。BSAS使用k个甲虫在每次移动中找到更优的位置，而不是一个甲虫。步长仅在k甲虫返回时没有更好的选择时更新。对建筑物系统辨识进行了实验研究。实验结果表明，BSAS算法有效地避免了Beetle随机方向的影响。此外，估计误差随着甲虫数量的增加而减小。
2018-07-27 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
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
Multi-swarm PSO algorithm for the Quadratic Assignment Problem: a massive parallel implementation on the OpenCL platform
针对二次分配问题（QAP），提出了一种基于OpenCL平台的多群粒子群优化算法。我们的工作是出于时间效率测试的结果进行了单群算法的实施，清楚地表明，并行执行平台的好处可以充分利用，如果处理的人口是大的。所描述的算法可以在两种模式下执行：独立群或迁移。我们讨论了算法的建设，以及我们报告的测试结果，从QAPLIB库的几个问题的情况下进行。在实验过程中，该算法被配置为处理大量人口。这使我们能够收集与单个粒子达到的目标函数值相关的统计数据。我们用它们来证明两个测试案例，虽然单个粒子似乎在优化过程中表现混乱，当整个人口进行分析，粒子将选择一个接近最优的解决方案的概率增长。
2015-04-20 cs.NE
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
Particle Swarm Optimization Based Reactive Power Optimization
无功功率通过维持电压稳定性和系统可靠性在支持有功功率传输方面起着重要作用。对于输电运营商来说，确保电力系统的可靠性，同时使与之相关的成本最小化是一个关键因素。传统的无功调度目标集中在无功支持的技术方面，如最小化输电损耗。对发电机的无功功率成本补偿是基于其无功功率贡献的发生成本减去其支持有功功率输送的义务的成本。提出了一种基于粒子群优化算法的无功优化方法。无功优化调度问题是一个多约束的非线性优化问题。所提出的PSO的目标是最大限度地减少总的支持成本从发电机和无功补偿。这是通过保持整个系统的功率损耗为最小，从而减少成本分配。无功调度的目的是确定无功支持的合理数量和位置。以IEEE-14节点系统为算例，研究了无功最优潮流（ROPF）算法的有效性。
2010-01-20 cs.NE
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
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
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
Optimal Placement of Capacitor in Distribution System using Particle Swarm Optimization
本文利用粒子群优化算法结合牛顿-拉夫逊潮流分析，在IEEE 14节点系统上优化电容器配置与容量，显著降低线路损耗并改善电压分布，功率损耗降低21.02%。
2023-11-16 cs.NE cs.SY eess.SY
Optimal DG allocation and sizing in power system networks using swarm-based algorithms
分布式发电（DG）机组是目前电力系统网络结构中非常重要的发电设备。增加这些DG单元的好处是增加对网络的电力供应。然而，如果没有适当地分配和/或确定大小，这些DG单元的安装可能会造成不利影响。因此，需要优化分配和调整它们的大小，以避免电压不稳定和昂贵的投资成本等情况。在本文中，两个群体为基础的元启发式算法，粒子群优化（PSO）和鲸鱼优化算法（WOA）的开发，以解决最佳的位置和规模的DG单元在寻求输电网络规划。一个支持性的技术，损失敏感性因子（LSF）被用来识别潜在的DG单元的最佳位置的总线。在两个IEEE总线测试系统（14节点和30节点）上验证了算法的可行性。比较结果表明，这两种算法产生良好的解决方案，他们优于对方在不同的指标。在IEEE 14节点和30节点试验系统中，考虑技术经济因素的WOA实际功率损耗降低分别为6.14 MW和10.77 MW，而PSO分别为6.47 MW和11.73 MW。与WOA的152.21 MW和82.44 MW相比，PSO在两个母线系统中的总DG单元尺寸分别为133.45 MW和82.44 MW。本文揭示了PSO和WOA在输电网DG单元优化配置中的应用的优点和缺点。
2020-02-19 cs.NE cs.SY eess.SY
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
Planning-Assisted Context-Sensitive Autonomous Shepherding of Dispersed Robotic Swarms in Obstacle-Cluttered Environments
School of Engineering and Information Technology, University of New South Wales, Canberra ACT, Australia（工程与信息技术学院，新南威尔士大学，堪培拉ACT，澳大利亚）
针对障碍密集环境中分散机器人群体牧羊任务的现有方法不足，本文提出带避障能力的规划辅助上下文敏感自主牧羊框架，结合分层规划系统，经多场景实验验证了方法有效性。
2023-02-27 cs.NE cs.RO
Classification of Diabetes Mellitus using Modified Particle Swarm Optimization and Least Squares Support Vector Machine
糖尿病是世界范围内的一个主要健康问题。许多分类算法已被应用于其诊断和治疗。本文提出了一种改进粒子群算法和最小二乘-支持向量机的混合算法，用于II型糖尿病患者的分类。最小二乘支持向量机算法通过寻找最优超平面来区分不同的类。由于最小二乘支持向量机对参数值的变化非常敏感，因此采用改进的粒子群算法作为最小二乘支持向量机参数的优化技术。这将保证混合算法的鲁棒性，通过寻找最佳值的LS-SVM参数。所提出的算法实现和评估使用皮马印第安人糖尿病数据集从UCI存储库的机器学习数据库。并将其与应用于同一数据库的不同分类器算法进行了比较。实验结果表明，该算法的优越性，可以达到97.833%的平均分类准确率。
2014-05-03 cs.CE 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
An Enhanced Binary Particle-Swarm Optimization (E-BPSO) Algorithm for Service Placement in Hybrid Cloud Platforms
如今，混合云平台对于打算实施私有云和公共云应用程序的组织来说是一个有吸引力的解决方案，以满足其盈利能力要求。然而，这只能通过利用可用资源同时加快执行过程来实现。因此，部署新的应用程序需要将其中一些流程专用于私有云解决方案，而将其他流程分配给公共云。在这种情况下，目前的工作是为了帮助最大限度地减少相关成本，并提供有效的选择，在最短的执行时间内的最佳服务放置解决方案。一些进化算法已被应用于解决服务放置问题，并用于处理复杂的解决方案空间时，提供一个最佳的位置，往往产生一个很短的执行时间。标准的BPSO算法被发现显示一个显着的缺点，即，容易陷入局部最优，除了表现出显着缺乏鲁棒性，在处理服务放置问题。因此，为了克服与标准BPSO相关的关键缺点，提出了一种增强型二进制粒子群优化（E-BPSO）算法，该算法由粒子位置更新方程的修改组成，最初灵感来自连续PSO。我们提出的E-BPSO算法表现出优于国家的最先进的方法在成本和执行时间方面，使用一个真正的基准。
2021-12-16 cs.DC 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
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
Image Filtering using All Neighbor Directional Weighted Pixels: Optimization using Particle Swarm Optimization
University of Kalyani（卡里亚尼大学）
本文提出了一种新的随机脉冲图像去噪方法。噪声抑制分两步进行。噪声像素的检测是使用5 x 5窗口中的所有相邻方向加权像素（ANDWP）来完成的。滤波方案是基于四个方向像素的最小方差。在这种方法中，相对较新的一类随机全局优化技术，即，粒子群优化（PSO）也被用于搜索最佳性能所需的检测和滤波算子的参数。结果表明，更好地去噪和保存的细节高度损坏的图像。
2012-02-19 cs.CV cs.NE
Particle Swarm Optimization: An efficient method for tracing periodic orbits in 3D galactic potentials
我们提出了粒子群优化（PSO）作为一种替代方法定位周期轨道的三维（3D）模型的棒星系。我们开发了一个适当的计划，将寻找周期轨道的问题转化为检测全局极小值的函数，这是定义在庞加莱截面（PSS）的哈密顿系统的问题。通过将粒子群算法与偏转技术相结合，我们成功地系统地跟踪了系统的几个周期轨道。该方法成功地跟踪的初始条件下，牛顿迭代技术有困难的周期轨道。特别是，我们发现家庭的2D和3D周期性轨道与内部8：1至12：1的共振，径向4：1和共转共振之间的3D费勒斯酒吧模型。所提出的算法的主要优点是它的简单性，它的工作能力，仅使用函数值，以及它的能力，以定位许多周期性轨道，每次运行在一个给定的雅可比常数。
2005-02-08 astro-ph cs.NA 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
Fine-tuning the Ant Colony System algorithm through Particle Swarm Optimization
蚁群算法是求解对称流动推销员问题的一种分布式算法.该算法的最佳参数必须通过试验和错误来找到。我们使用粒子群优化算法（PSO）优化ACS参数工作在一个设计的TSP实例的子集。第一个目标是在单个实例上执行混合PSO-ACS算法，以找到该实例的最优参数和最优解。第二个目标是分析那些与实例特征相关的最佳参数集。计算结果表明，虽然计算时间很长，但单个实例的解决方案质量很好，并且可能存在对大多数实例最佳工作的参数集。
2018-03-21 cs.NE math.OC
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
Dynamic Cat Swarm Optimization Algorithm for Backboard Wiring Problem
Sulaimani Polytechnic University（苏莱曼尼亚理工学院）；Kurdistan Institution for Strategic Studies and Scientific Research（库尔德斯坦战略研究与科学研究机构）；University of Kurdistan Hewler（库尔德斯坦赫勒大学）
本文提出了一种强大的群体智能元启发式优化算法-动态猫群优化算法。该公式是通过修改现有的猫群优化。原始的Cat Swarm优化算法存在“早熟收敛”的缺点，即由于探索阶段和开发阶段之间的不平衡而可能陷入局部最优。因此，该算法提出了一种新的方法，通过修改选择方案和算法的搜索模式，以提供这些阶段之间的适当平衡。为了评估所提出的算法的性能，使用了23个经典测试函数，10个现代测试函数（CEC 2019）和一个真实世界场景。此外，勘探方面的多样性指标用于衡量勘探和开采阶段的百分比。优化结果表明，该算法的有效性，排名第一，相比，在文献中的几个著名的算法。此外，统计方法和图表也被用来进一步证实该算法的优越性。最后，对本文的结论和进一步改进的方向进行了讨论.
2021-04-27 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
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
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
Multi-Objective Particle Swarm Optimization for Facility Location Problem in Wireless Mesh Networks
无线mesh网络由于其低成本的实现而取得了真正的进展。它们代表了下一代网络技术之一，可以作为家庭、公司和大学的网络。本文提出并讨论了一种多射频多信道无线Mesh网络节点部署优化的多目标模型。我们利用网络成本和整体网络性能之间的权衡。这个优化问题的解决，同时使用Meta探试法，返回一个非支配的一组接近最优的解决方案。一个比较研究的驱动，以评估所提出的模型的效率。
2013-08-27 cs.NE cs.NI
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
Navigation Variable-based Multi-objective Particle Swarm Optimization for UAV Path Planning with Kinematic Constraints
Ulsan National Institute of Science and Technology（蔚山科学技术院）；Vietnam National University（越南国家大学）；Fulbright University Vietnam（越南富布赖特大学）
本文提出 NMOPSO 算法，利用导航变量表示路径并结合自适应变异，在运动学约束下求解无人机安全、最优的多目标路径规划问题，且在对比与真实飞行实验中表现更优。
2025-01-03 cs.AI cs.NE cs.RO
Formation control with connectivity assurance for missile swarm: a natural co-evolutionary strategy approach
编队控制问题是群体智能领域中最受关注的问题之一，通常采用传统的数学方法求解。然而，在本文中，我们提出了一种元启发式方法，利用自然的协同进化策略来解决导弹群的编队控制问题。将导弹群建模为具有非均匀参考目标的二阶系统，以指数误差函数为目标函数，使导弹群收敛到满足一定编队要求的最优平衡状态。针对局部最优和不稳定演化问题，提出了一种新的基于模型的策略约束和种群自适应策略，极大地抑制了性能下降。将Molloy-Reed准则应用于网络通信领域，提出了一种在节点失效情况下保证网络连通性的自适应拓扑方法，并从理论和实验两方面验证了该方法的有效性。实验结果验证了所提出的编队控制方法的有效性。更重要的是，我们发现，它是可行的，处理一般的编队控制问题的马尔可夫决策过程（MDP），并解决它通过迭代学习。
2022-08-24 cs.MA cs.NE cs.SY
Accuracy Improvement of Neural Network Training using Particle Swarm Optimization and its Stability Analysis for Classification
National Institute of Technology Durgapur（杜尔加布尔国家理工学院）
监督分类是当今场景中最活跃和新兴的研究趋势。因此，人工神经网络（ANN）技术得到了广泛的应用，并日益受到研究者的关注。ANN训练旨在找到诸如权重（$\textbf{W}$）和偏差（$b$）的参数的适当设置，以适当地对给定的数据样本进行分类。训练过程中制定的错误最小化问题，其中包括许多局部最优的搜索景观。本文提出了一种改进的粒子群优化算法，以最小化误差函数为目标，对真实数据集进行分类。一个稳定性分析，以建立所提出的方法，提高分类精度的效率。混淆矩阵、$F$ -测度和收敛图等性能指标表明，分类精度得到了显著提高。
2019-05-15 cs.LG cs.NE stat.ML
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
Towards a Distributed Federated Learning Aggregation Placement using Particle Swarm Intelligence
ÉTS Montréal / Université du Québec（蒙特利尔ÉTS/魁北克大学）；Islamic Azad University of Bojnord（伊斯兰Azad大学波尼尔分校）
针对分层半去中心化联邦学习中的分布式聚合放置问题，提出基于粒子群优化的Flag-Swap方法，仅依据处理延迟优化放置，仿真与真实实验表明其性能优于随机和均匀放置策略。
2025-04-22 cs.DC 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
