Swarms on Continuous Data
虽然非常重要，但许多探索性数据分析（EDA）系统无法连续地执行分类和可视化，或者将新的数据项自组织到旧的数据项中（如果必要的话，甚至到新的标签中），这在KDD -知识发现，检索和数据采掘系统（交互式和在线形式的Web应用程序只是一个例子）中可能是至关重要的。这种现象也出现在使用自组织映射的最近方法中。在目前的工作，并利用过去的成功，最近提出的Stigmergic蚂蚁系统的强大的在线分类器，产生类的决定，连续流数据，允许连续映射。结果表明，越来越好的结果，取得了其他作者在不同领域的示范。关键词：群体智能，蚂蚁系统，Stigmergy，数据挖掘，探索性数据分析，图像检索，连续分类。
2004-12-17 cs.AI cs.NE
A Hybrid Swarm Intelligence Approach for Optimizing Multimodal Large Language Models Deployment in Edge-Cloud-based Federated Learning Environments
Concordia University（康考迪亚大学）；Khalifa University（哈利法大学）；University of Waterloo（滑铁卢大学）；Aqaba University of Technology（亚喀巴技术大学）
针对边缘-云联邦学习环境中MLLMs部署的资源、通信及数据挑战，提出混合群体智能框架，通过PSO选设备、ACO优化传输，实现边缘部署+云端训练+边缘微调，显著提升准确率（92%）、降低通信成本（30%）并提高客户端参与度。
2025-02-04 cs.AI cs.LG cs.NE
A Generalized Hybrid Real-Coded Quantum Evolutionary Algorithm Based on Particle Swarm Theory with Arithmetic Crossover
本文提出了一种用于复杂函数优化和组合优化的广义混合实数编码量子进化算法（HRCQEA）。HRCQEA的主要思想是设计一种新的变异和交叉算子。利用粒子群算法的进化方程，设计了一种单-多基因变异算法，并在新的交叉算子中引入了算术交叉的概念。在HRCQEA算法中，每个三倍体染色体代表一个粒子，粒子的位置通过SMM和量子旋转门（QRG）进行更新，可以在探索和利用之间取得平衡。该算法采用交叉算子扩展搜索空间，采用爬山选择和精英策略加快收敛速度。对背包问题和5个高维复杂函数的仿真结果表明，HRCQEA算法在发现全局最优解的能力和收敛速度方面具有较好的性能。
2013-03-06 cs.NE
NeuroEvo: A Cloud-based Platform for Automated Design and Training of Neural Networks using Evolutionary and Particle Swarm Algorithms
Johns Hopkins University（约翰斯·霍普金斯大学）
进化算法为复杂搜索空间中的神经网络优化提供了独特的优势。本文介绍了一种新的网络平台，NeuroEvo（neuroevo.io），它允许用户交互式设计和训练神经网络分类器使用进化和粒子群算法。分类问题和训练数据由用户提供，在完成训练过程后，最佳分类器可供下载并在Python，Java和JavaScript中实现。NeuroEvo是一个基于云的应用程序，它利用GPU并行化来提高独立进化步骤（如变异，交叉和适应度评估）在整个种群中执行的速度。本文概述了训练算法和机会，为用户指定的设计决策和超参数设置。本文描述的算法也可作为Python包neuroevo（PyPI：https：//pypi.org/project/neuroevo/）提供。
2022-10-01 cs.LG cs.NE
How the Stroop Effect Arises from Optimal Response Times in Laterally Connected Self-Organizing Maps
本文用自组织映射实现斯特鲁普任务，表明该效应源于优化响应时间，是整体高效表现的代价，可用于认知控制研究。
2025-05-11 cs.NE q-bio.NC
Structuring Multiple Simple Cycle Reservoirs with Particle Swarm Optimization
International Research Center for Neurointelligence, The University of Tokyo（国际神经智能研究中心，东京大学）；School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院）；Graduate School of Medicine, The University of Tokyo（东京大学医学研究生院）；Department of Computer Science, Graduate School of Engineering, Nagoya Institute of Technology（名古屋工业大学工学研究生院计算机科学系）
本文提出多简单循环储备池（MSCR）框架，利用粒子群优化（PSO）优化互连结构，在低维状态下超越现有模型，并在三个基准任务上验证了其预测性能优势。
2025-04-21 cs.LG cs.NE
UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper
针对时域合谋窃听威胁下的物联网安全通信问题，提出无人机蜂群协同中继方案，构建多目标优化问题并设计改进多目标蝗虫算法求解，仿真验证了策略有效性与算法优越性。
2023-10-03 cs.NE cs.NI
Scope of Research on Particle Swarm Optimization Based Data Clustering
D. Y. Patil College of Engineering（D·Y·帕蒂尔工程学院）
最优化只不过是一种数学技术，它可以在某些实际区域中找到所关注的任何函数的最大值或最小值。不同的优化技术提出了竞争的最佳解决方案。粒子群优化（PSO）是一种新的，先进的，最强大的优化方法，在几个优化问题上表现良好。它是广泛使用的群体智能（SI）启发的优化算法，用于在多方面的搜索区域中找到全局最优解。数据聚类是一个具有挑战性的现实世界中的应用，邀请在各个领域的杰出的研究工作。文献中研究了不同的PSO变体对数据聚类的适用性，分析的研究工作表明，PSO变体对多维数据的聚类效果较差。本文介绍了不同的挑战与多维数据聚类和范围的研究优化聚类问题使用PSO。我们还提出了一种策略，使用混合粒子群算法的变种聚类多维数值，文本和图像数据。
2018-12-06 cs.AI 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
Exploring Self-Assembling Behaviors in a Swarm of Bio-micro-robots using Surrogate-Assisted MAP-Elites
Ochanomizu University（御茶水女子大学）；Sorbonne Université（索邦大学）；CNRS Institut des Systèmes Intelligents et de Robotique (ISIR)（法国国家科学研究中心智能系统与机器人研究所）
成群的分子机器人是通过自组装在微观尺度上创造特定形状的一种有前途的方法。然而，控制它们的行为是一个具有挑战性的问题，因为它涉及复杂的非线性动力学和高实验可变性。手工制作一个分子控制器通常是耗时的，并给出次优的结果。优化方法，如bioNEAT算法，以前被用来部分克服这些困难，但他们仍然不得不应付欺骗性的高维搜索空间和计算昂贵的模拟。在这里，我们描述了一种新的方法来解决这个问题，使用MAP精英，搜索高性能和多样化的解决方案的算法。然后，我们将其应用于我们最近引入的分子机器人框架，该框架允许在微观尺度上进行传感，信号传递和自组装，并表明MAP-Elites优于以前的方法。此外，我们提出了一个微型机器人物理和化学反应动力学的代理模型，以减少仿真的计算成本。我们表明，由此产生的方法是能够优化控制器，具有类似的精度，当只使用一个成熟的现实模型，一半的计算预算。
2019-10-01 cs.NE cs.RO
Particle Swarm Optimization for Generating Interpretable Fuzzy Reinforcement Learning Policies
Siemens AG, Corporate Technology（西门子公司企业技术部）
本文提出一种基于模糊粒子群强化学习（FPSRL）的方法，通过训练参数在模拟真实系统动态的世界模型上生成可解释的模糊强化学习策略，适用于无法进行在线学习的领域。
2017-08-15 cs.AI cs.LG cs.NE
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
The Free-Market Algorithm: Self-Organizing Optimization for Open-Ended Complex Systems
Department of Electronics, University of Valladolid（瓦伦西亚大学电子系）
自由市场算法通过分布式供需动态实现开放搜索空间的自我组织优化，能在预生物化学和宏观经济预测中发现复杂结构并实现高精度预测。
2026-03-25 cs.AI cs.MA 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
Self-orthogonalizing attractor neural networks emerging from the free energy principle
Center for Translational Neuro- and Behavioral Sciences (C-TNBS), University Medicine Essen, Germany（转化神经与行为科学中心（C-TNBS），埃森大学医学中心，德国）；Queen Square Institute of Neurology, University College London, WC1N 3AR, UK（皇后广场神经病学研究所，伦敦大学学院，英国）；VERSES, Los Angeles, CA 90067, USA（VERSES，美国加利福尼亚州洛杉矶90067）
本文基于自由能原理，研究了自组织动力学如何从随机动力系统的基本原理中涌现，提出了一种无需显式学习和推断规则的高效且生物合理的方法，实现了多层贝叶斯主动推断过程，通过分析和模拟证明了所提网络倾向于产生近似正交化的吸引子表示，从而提升泛化能力和隐变量与可观测效应间的互信息。
2026-05-21 cs.AI cs.LG cs.NE
