Regression model selection via log-likelihood ratio and constrained minimum criterion
对数似然比似然比在模型选择中应用广泛，但在模型选择中应用较少。我们开发了一个基于对数似然比的方法，通过关注被似然比检验认为合理的模型集来选择回归模型。我们表明，当样本量较大且检验的显著性水平较小时，集合中的最小模型是真实模型的概率很高，因此，我们选择了这个最小模型。检验的显著性水平用作该方法的参数。我们考虑了三个水平的这个参数在模拟研究中，并比较这种方法与赤池信息准则和贝叶斯信息准则，以证明其良好的精度和适应性，以不同的样本量。我们还应用这种方法来选择南非心脏病数据集的逻辑斯谛回归模型。
2021-09-25 math.ST stat.ME stat.TH
A Constrained Conditional Likelihood Approach for Estimating the Means of Selected Populations
给定p个独立的正态总体，我们考虑估计这些总体的平均值的问题，即基于观察到的数据，给出最强的信号。我们明确的条件上的排名的样本均值，并考虑一个约束条件的极大似然（CCMLE）的方法，避免使用任何先验和人口之间的任何稀疏性要求的手段。我们的研究结果表明，如果观察到的均值太接近，我们实际上应该使用总均值来估计具有较大样本均值的总体的均值。如果它们之间的距离超过了一定的阈值，我们就应该将观测到的均值相互缩小。正如直觉所暗示的那样，只有当观察到的平均值相差很远时，我们才能得出结论，分离的程度和随之而来的排名不是偶然的。与其他方法不同的是，我们的方法不需要预先指定选定的人口数量和建议CCMLE是能够执行同时推理。我们的方法，这是概念上简单，可以很容易地适应纳入其他选择标准。选择总体，极大似然，约束极大似然估计，选择后推断
2017-02-24 stat.ME
Consistency for constrained maximum likelihood estimation and clustering based on mixtures of elliptically-symmetric distributions under general data generating processes
本文证明了非参数分布下基于椭圆对称分布混合的最大似然估计量的一致性，并为其在充分分离子总体聚类分析中的应用提供了理论依据。
2024-10-10 math.ST stat.ML stat.TH
Uncertainty estimation in equality-constrained MAP and maximum likelihood estimation with applications to system identification and state estimation
在无约束最大后验概率（MAP）和极大似然估计中，优值函数Hessian矩阵的负的逆是估计协方差阵的近似。在贝叶斯背景下的MAP估计，它是一个正常的后验近似的协方差的模式，而在极大似然估计，它的近似逆费舍尔信息矩阵，有效的估计的协方差收敛。这些措施通常用于系统辨识，以评估估计的不确定性和诊断问题，如过参数化，不当的激励和不可识别性。然而，系统和控制中的各种各样的估计问题可以用公式表示为具有附加决策变量的等式约束优化，以利用计算机硬件中的并行性，简化实现并增加非线性程序求解器的收敛域和效率。然而，额外变量的引入将逆Hessian与协方差阵分离。相反，必须使用约束问题的拉格朗日量的逆Hessian的子矩阵。在本文中，我们推导出这些关系，显示如何估计的协方差可以直接从增广问题。给出了输出误差法和状态路径与参数估计联合法在系统辨识中的应用实例。
2020-03-16 math.OC stat.ME
Concave regression: value-constrained estimation and likelihood ratio-based inference
我们提出了一个似然比统计形成的假设检验和置信区间的非参数估计的单变量回归函数，基于形状限制的凸性（或者，凸性）。处理似然比统计量需要研究满足原假设的估计量，即研究满足进一步等式约束的凹最小二乘估计量。我们在这里研究这个原假设最小二乘估计（NLSE），并使用它来研究我们的似然比统计量。NLSE是一个凸规划的解，我们找到了一组不等式和等式约束来表征该解。我们还研究了相应的限制版本的凸规划的基础上观察一个布朗运动漂移。极限问题的解是一个随机过程。我们研究了极限问题的解的最优性条件，发现它们与有限样本问题的解的最优性条件相匹配。这使我们能够显示极限随机过程产生的（有限样本）NLSE的极限分布。我们推测，似然比统计量是渐近关键的，这意味着它有一个极限分布，没有冗余参数估计，这使得它成为一个非常有效的工具，这个困难的推理问题。我们提供了这个猜想的部分证明，我们也提供了模拟证据，有力地支持这个猜想。
2018-09-10 math.ST stat.ME stat.TH
Maximum likelihood estimation for Gaussian processes under inequality constraints
本文研究了高斯过程在固定域渐近性条件下，在不等式约束（有界性、单调性或凸性）下的协方差参数估计。本文讨论了Matérn和Wendland协方差函数的方差参数估计和微遍历参数估计。首先，我们证明了（无约束）极大似然估计具有相同的渐近分布，无条件和条件的事实，高斯过程满足不等式约束。然后，我们研究了最近提出的约束极大似然估计。我们表明，它具有相同的渐近分布（无约束）的最大似然估计。此外，我们在模拟中表明，约束最大似然估计一般是更准确的有限样本。最后，我们提供了扩展预测和噪声观测。
2019-07-15 math.PR math.ST stat.TH
Likelihood-based Spacings Goodness-of-Fit Statistics for Univariate Shape-constrained Densities
University of Washington（华盛顿大学）；Queen’s University（女王大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；The Chinese University of Hong Kong（香港中文大学）
研究基于样本间距的统计量来检验对参数分布的拟合优度，针对单变量形状受限密度，考虑基于观测间距的似然比检验，证明其在原假设下渐近正态且无分布依赖等性质。
2026-07-07 math.ST stat.TH
A robust and efficient algorithm to find profile likelihood confidence intervals
如果不满足极大似然估计量的渐近性质，则剖面似然置信区间是Wald方法的稳健替代方法。然而，定义轮廓似然置信区间的约束优化问题在这些情况下可能难以求解，因为似然函数可能表现出不利的性质。因此，现有的方法可能效率低下，并产生误导性的结果。在本文中，我们解决这个问题，通过计算配置文件的似然置信区间通过信任区域的方法，其中步骤计算的基础上，本地近似被限制到这些近似是足够精确的区域。由于我们的算法也考虑到了数值问题，如果似然函数是强非线性或参数不可估计，该方法适用于许多情况下，早期的方法被证明是不可靠的。为了证明其在应用中的潜力，我们将我们的算法应用于基准问题，并将其与现有的6种方法进行比较，以计算轮廓似然置信区间。我们的算法始终比任何竞争对手取得更高的成功率，同时也是最快的方法之一。由于我们的算法可以应用于计算参数和模型预测的置信区间，因此它在广泛的场景中是有用的。
2020-04-01 stat.CO
Profile Likelihood via Optimisation and Differential Equations
本文将轮廓似然置信区间表述为约束优化问题，并利用 ODE 推导依赖连续变量的置信限及参数对轮廓线。
2024-04-03 stat.CO
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
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
Asymptotic distribution of the likelihood ratio test statistic with inequality-constrained nuisance parameters
University of Oslo（奥斯陆大学）
本文研究了在边界约束下，似然比检验统计量的渐近分布，提出了一种新的基于秩的内在体积聚合方法，并通过模拟验证了其准确性。
2026-01-07 stat.ME
A data driven equivariant approach to constrained Gaussian mixture modeling
已知具有不同类特定协方差阵的高斯混合模型的极大似然估计是有问题的。这是由于可能性的无界性，以及虚假最大化的存在。现有的方法来绕过这个障碍是基于这样一个事实，即无界性是避免的，如果协方差阵的特征值有界远离零。这可以通过对协方差阵施加一些约束来完成，即通过将先验信息并入混合分量的协方差结构。目前的工作介绍了一种约束等变的方法，类条件协方差阵收缩到一个预先指定的矩阵Psi。数据驱动的矩阵Psi的选择，当先验信息是不可用的，和收缩的最佳量进行了研究。该建议的有效性进行了评估的基础上的模拟研究和实证例子。
2016-10-25 stat.CO
Disjoint principal component analysis by constrained binary particle swarm optimization
Universidad de Salamanca（萨拉曼卡大学）；ESPOL Polytechnic University, Escuela Superior Politécnica del Litoral（ESPOL理工大学（海岸理工学院））；Institute of Biomedical Research of Salamanca（萨拉曼卡生物医学研究所）；Pontificia Universidad Católica de Valparaíso（瓦尔帕莱索天主教大学）
在本文中，我们提出了一种替代方法的不相交的主成分分析。该方法包括一个主成分分析的约束条件，这使我们能够确定不相交的组件是原始变量的不相交子集的线性组合。由于该方法是在粒子群优化算法的基础上发展起来的，因此被称为粒子群不相交主成分分析约束二进制优化算法。该方法使用随机优化，以找到解决方案的情况下，高计算复杂性。与该方法相关联的算法开始随机地生成粒子群，该粒子群迭代地进化直到达到全局最优，该全局最优是不相交分量的函数。数值结果证实了所提出的方法获得的解决方案的质量。最后给出了实际数据的算例，说明了该方法的应用前景.
2020-04-22 cs.LG cs.NE stat.CO
Estimation of Constrained Mean-Covariance of Normal Distributions
均值向量和协方差阵的估计在多元数据分析中具有重要意义。在广义线性模型框架下，方差通常是均值的某个函数，但正态分布是个例外。本文研究了多元正态分布在联合约束$\bmΣ\bmμ = \bmμ$下的均值-协方差的极大似然估计和贝叶斯估计.通过重新参数化包含特征值和$\bmμ$的$\bmΣ$的谱分解，提出了一种新的结构协方差。这是为了解决具有挑战性的正定性问题，并减少协方差参数的数量从二次到线性函数的维度。我们提出了一种快速（非迭代）的方法近似的极大似然估计最大化的下限的配置文件似然函数，这是凹的。我们使用正常和反伽玛先验的平均值和特征值，并近似的最大后验估计的MH内吉布斯抽样和更快的迭代方法。仿真研究表明，我们的估计性能良好。
2021-10-07 stat.CO stat.ME
Lagrange multipliers in Maximum likelihood estimations and Least squares problems with Constraints
Waseda Institute for Advanced Study, Waseda University（早稻田大学高等研究院，早稻田大学）
研究约束极大似然估计和最小二乘问题中拉格朗日乘子的统计性质，证明其在大样本下收敛于零，并探讨该性质对算法初始化和惩罚方法的启示。
2026-06-06 cs.NA econ.EM math.NA
Holonomic Decent Minimization Method for Restricted Maximum Likelihood Estimation
最近，Takemura和Takayama的学派发展了一种非常有趣的极小化方法，称为完整梯度下降法（HGD）。它的工作原理是混合使用一个目标完整函数所满足的微分方程和迭代优化方法。他们成功地将该方法应用于几个极大似然估计（MLE）问题，这在过去一直是棘手的。另一方面，在统计模型中，参数受约束的情况并不少见，因此带约束的极大似然估计一直是统计学的基本课题之一。在本文中，我们开发的HGD与MLE的约束。
2013-09-05 stat.CO
Univariate log-concave density estimation with symmetry or modal constraints
我们研究了对数凹密度函数$f_0$的非参数极大似然估计，它是已知的，以满足进一步的限制，其中（a）模式$m$的$f_0$是已知的，或（b）$f_0$是已知的对称关于一个固定点$m$。我们开发的渐近理论约束对数凹极大似然估计（MLE），包括一致性，全局收敛速度，和局部极限分布理论。在这两种情况下，我们发现MLE的逐点极限分布在$m$（已知的模式或已知的对称中心）和一个点$x_0 \ne m$。R软件包\verb + logcondens.mode+中提供了计算约束估计量的软件。在位置估计的上下文中，受约束的MLE特别有用。模式约束极大似然估计对于模式回归是有用的。模式约束的MLE也可以用于形成$f_0$的模式的位置的似然比检验。这些问题在单独的论文中进行了研究。特别是，在一个单独的文件中，我们表明，根据曲率假设，似然比统计的模式的位置可以用于假设检验或置信区间，不依赖于调谐参数或冗余参数。
2019-05-13 math.ST stat.TH
Adjusting for non-confounding covariates in case-control association studies
本文从理论上澄清了病例对照逻辑回归中调整非混杂协变量的表现取决于疾病患病率，并证明约束最大似然估计量能提供渐近一致最有效的检验。
2023-05-18 math.ST stat.TH
Shape-constrained density estimation with Wasserstein projection
University of Tokyo（东京大学）；RIKEN Center for Brain Science（理化学研究所脑科学中心）；University of Toronto（多伦多大学）
本文研究了基于Wasserstein距离的单变量非参数形状约束密度估计，重点探讨了二次情况下的Wasserstein投影估计，并与最大似然估计进行比较。
2026-04-10 math.ST stat.TH
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
Structural Modelling of Dynamic Networks and Identifying Maximum Likelihood
本文考虑了非线性动态模型，其中主要参数是一个非负矩阵表征网络（传染）效应。该网络矩阵通常通过假设有限数量的非零元素（稀疏性）或通过考虑非负矩阵分解（NMF）的降秩方法来约束。我们遵循后者的方法，并开发了一个新的概率NMF方法。我们引入了一个新的识别最大似然（IML）方法的一致性估计的识别集的容许NMF的，并推导出其渐近分布。此外，我们对给定的非负秩，提出了参数矩阵的极大似然估计，推导了它的渐近分布和相关的效率界。
2022-11-21 econ.EM stat.ME
Inference for the mode of a log-concave density
本文研究对数凹密度模式位置的似然比检验。我们的测试是基于比较的对数似然对应的无约束的最大似然估计的对数凹密度和约束的最大似然估计的约束是，密度的模式是固定的，说在$m$。约束估计问题在Doss和Wellner [2018]中进行了详细研究。在这里的结果，该文件被用来表明，根据零假设（和严格的曲率$-\log f$在模式），似然比统计是渐近关键：也就是说，它收敛于分布的限制分布是免费的冗余参数，从而发挥作用的$χ_1^2$分布在经典的参数统计问题。通过反转这一系列的测试，我们得到新的（基于似然比）的置信区间的模式的对数凹密度$f$。这些新的间隔不依赖于任何平滑参数。我们通过蒙特卡罗方法研究了新的置信区间，并用两个实际数据集进行了说明。新的间隔似乎比现有的程序有几个优点。R软件包\verb + logcondens.mode+中提供了实现检验和置信区间的软件。
2018-06-04 math.ST stat.TH
Fish School Search Algorithm for Constrained Optimization
在这项工作中，我们调查的有效性，应用小生境群元启发式方法，以解决约束优化问题。子群的使用，以允许实现许多可行的区域被利用的适应度函数。所采用的小生境方法是wFSS，这是鱼群搜索算法的一个版本，专门用于处理多模态搜索空间。一个基本的技术被称为wrFSS的构想，并提出了三种变化，应用不同的约束处理程序。在CEC 2010中的7个问题上进行了测试，并与其他方法进行了比较。结果表明，该搜索策略能够处理一些严重的约束问题，并取得了与国家的最先进的算法相媲美的结果。然而，我们也观察到，wFSS中存在的局部搜索算子和wrFSS继承的适应性收敛困难时，可行域呈现一些特定的几何特征。
2017-07-19 cs.NE
A Virtual-Force Based Swarm Algorithm for Balanced Circular Bin Packing Problems
ONERA/DTIS（法国航空航天研究院/航空航天信息系统部）；Université Paris-Saclay（巴黎萨克雷大学）；INRIA（法国国家信息与自动化研究所）；Université de Lille（里尔大学）
针对高约束、高维的NP难平衡圆形装箱问题，提出一种基于虚拟力系统和动力学原理的群集算法，并在多达300个圆的基准上验证其有效性。
2023-06-06 cs.AI cs.NE
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
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
A Feature-Based Comparison of Evolutionary Computing Techniques for Constrained Continuous Optimisation
The University of Adelaide（阿德莱德大学）
进化算法已被频繁地应用于约束连续优化问题。我们进行基于特征的比较不同类型的进化算法，如演化策略，差分进化和粒子群优化的约束连续优化。在我们的研究中，我们研究了约束集如何影响获得接近最优解的难度。使用多目标的方法，我们发展约束连续的问题，具有一组线性和/或二次约束，不同的进化方法表现出显着的性能差异。之后，我们讨论的约束，表现出不同的进化方法的性能差异的功能正在考虑。
2015-09-23 cs.AI cs.NE
Learning to track on-the-fly using a particle filter with annealed- weighted QPSO modeled after a singular Dirac delta potential
针对视觉跟踪问题，提出了一种改进的全连接量子粒子群优化算法（QPSO）和一种基于记忆引导的进化粒子滤波算法。建议更新步骤使用与最近存储器中遇到的速度成比例的重要性权重来限制可能的感兴趣区域内的群移动。QPSO的reservation计划使用一个健身加权平均最佳更新偏向的群体对最适合的粒子部分，同时也采用了模拟退火算子，以避免低于标准杆微调在后期的迭代过程中。通过使用这样的构造将粒子移动到更接近后验分布的高似然景观，在很大程度上减轻了困扰粒子滤波器的样本分离问题。使用基准序列的实验结果表明，该方法优于竞争的候选跟踪器，如粒子滤波器和传统的粒子群优化粒子滤波的跟踪器性能指标。
2018-06-04 cs.NE
Data Clustering using a Hybrid of Fuzzy C-Means and Quantum-behaved Particle Swarm Optimization
模糊聚类已成为一种广泛使用的数据采掘技术，在用户指定的应用程序中对数据进行分组、遍历和选择性使用方面发挥着重要作用。确定性的模糊C均值（FCM）算法可能会导致次优的解决方案时，应用于现实世界中的多维数据，时间约束的问题。在本文中，量子行为的粒子群优化（QPSO）与一个完全连接的拓扑结构，再加上模糊C均值聚类算法，并进行了测试，从UCI机器学习知识库的一套数据集。QPSO算法的全局搜索能力有助于避免陷入局部最优，而FCM的软聚类方法有助于根据成员概率划分数据。聚类性能指标，如F-Measure，准确性，量化误差，簇间和簇内距离报告的竞争技术，如PSO K均值，QPSO K均值和QPSO FCM在所有考虑的数据集。实验结果表明，QPSO FCM提供了可比的，在大多数情况下优于其他相比，结果。
2017-12-15 cs.NE
Simplified Swarm Optimization for Bi-Objection Active Reliability Redundancy Allocation Problems
National Tsing Hua University（国立清华大学）
可靠性冗余分配问题（RRAP）是系统设计、开发和管理中的一个著名工具。RRAP通常被建模为非线性混合整数非确定性多项式时间硬度（NP-hard）问题。为了最大化系统的可靠性，必须确定整数（部件活动冗余水平）和实变量（部件可靠性），以确保满足成本限制和一些非线性约束。在这项研究中，一个双目标RRAP制定通过改变成本约束作为一个新的目标，因为它是必要的，以平衡整个系统的可靠性和成本的影响，在实际应用中。为了解决该问题，基于全因子设计中选取的罚函数、实单型解结构、基于数量的自适应更新机制、约束非支配解选择和pBest替换策略，提出了一种新的简化群优化算法（SSO），以高效地找到Pareto解.所提出的SSO优于几种元启发式最先进的算法，例如，非支配排序遗传算法II（NSGA-II）和多目标粒子群优化（MOPSO），根据实验结果的四个基准问题，涉及双目标主动RRAP。
2020-06-17 cs.LG 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
Particle Swarm Optimization for Weighted Sum Rate Maximization in MIMO Broadcast Channels
在本文中，我们调查的下行链路多输入多输出（MIMO）广播信道中，基站（BTS）广播多个数据流K MIMO移动台（MS）同时。在发射功率受限的情况下，为了最大化系统的加权和速率（WSR），设计问题是在BTS处找到预编码矩阵，在MS处找到解码矩阵。然而，这样的设计问题是典型的非线性和非凸优化，因此，它是很难获得的解析解。为了解决数学上的困难，我们提出了一个有效的随机优化算法来优化收发器矩阵。具体而言，我们利用线性最小均方误差（MMSE）维纳滤波器在MS。然后，我们引入约束粒子群优化（PSO）算法来联合优化的预编码和解码矩阵。数值实验从收敛性、计算复杂性和总WSR等方面验证了该算法的有效性。
2015-08-04 cs.IT cs.NE math.IT
HQSI: Hybrid Quantum Swarm Intelligence -- A Case Study of Online Certificate Status Protocol Request Flow Prediction
Chunghwa Telecom Laboratories（中華電信實驗室）
本研究提出混合量子蚁群智能算法，通过量子神经网络与经典蚁群算法结合，实现在线证书状态协议请求流预测的高精度误差降低。
2025-05-23 cs.NE quant-ph
Evolutionary estimation of a Coupled Markov Chain credit risk model
存在一系列不同的模型，用于估计和模拟信用风险转移，以优化管理信用风险组合和产品。在本章中，我们提出了一个耦合马尔可夫链的方法来模拟评级转换，从而违约概率的公司。由于模型的似然性是待估计参数的非凸函数，因此我们应用概率论来寻找ML估计量。为此，我们概述了模型及其似然函数，并提出了粒子群优化算法，以及进化优化算法，以最大限度地提高似然函数。数值结果表明，进一步应用进化优化技术的信用风险管理。
2009-11-19 cs.CE cs.NE
Path Planning in a dynamic environment using Spherical Particle Swarm Optimization
本研究提出基于球形向量粒子群优化的无人机动态路径规划器，综合考虑路径长度、安全性和平滑度，在动态威胁环境下生成最优路径，相比PSO和GA成本降低330%至675%。
2024-03-19 cs.NE
Enhanced Particle Swarm Optimization Algorithms for Multiple-Input Multiple-Output System Modelling using Convolved Gaussian Process Models
Department of Information Technology and Software Engineering, Auckland University of Technology（奥克兰理工大学信息技术与软件工程系）
本文提出利用增强的粒子群优化算法优化卷积高斯过程模型的超参数，通过最小化模型输出误差提高MIMO系统建模性能，改进了传统PSO算法并验证了其有效性。
2017-07-12 cs.NE cs.SY eess.SY
A Feature-Based Prediction Model of Algorithm Selection for Constrained Continuous Optimisation
通过本文，我们为基于特征的生物启发计算分析这一日益增长的研究领域做出了贡献。在这一研究领域中，问题实例根据其被特定算法解决的难度的不同特征进行分类。我们研究了不同的进化实例集在算法选择领域建立预测模型的影响。在Poursoltan和Neumann [11，10]的工作基础上，我们考虑如何使用进化实例从一组生物启发的计算方法（即差分进化、粒子群优化和演化策略的高性能变体）中预测约束连续优化的最佳性能算法。我们的实验结果表明，与多目标方法结合的基础问题的随机实例的实例进化允许建立一个模型，准确地预测最佳性能算法的广泛的问题实例。
2016-02-09 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
