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
Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach for Model Free Optimization
受两种白鹭（大白鹭和白鹭）捕食行为的启发，提出了一种新的元启发式算法--白鹭群优化算法（ESOA）。ESOA由三个主要部分组成：坐等策略，积极策略以及判别条件。在36个基准函数和2个工程问题上，将ESOA算法与粒子群优化算法（PSO）、遗传算法（GA）、差分进化算法（DE）、灰狼优化算法（GWO）和Harris Hawks优化算法（HHO）的性能进行了比较。仿真结果证明了该算法的有效性和鲁棒性。本工作中使用的源代码可以从https：//github.com/Knightsll/Egret_Swarm_Optimization_Algorithm; https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoa检索。
2022-07-29 cs.NE
AMPSO: Artificial Multi-Swarm Particle Swarm Optimization
本文提出了一种新的人工多群粒子群算法，它由一个探索群、一个人工开发群和一个人工收敛群组成。探索群是随机分布在粒子空间的一组大小相等的子群，利用群是对探索群中的最优粒子进行固定迭代周期的扰动而人工生成的，收敛群是对处于停滞状态的利用群中的最优粒子进行高斯扰动而人工生成的.交替地执行探索和开发操作，直到开发的演化速率小于阈值或达到最大迭代次数。对不同的种群采用自适应惯性权重策略，以保证其勘探开发性能。为了保证结果的准确性，提出了一种新的多样性计划的基础上的位置和适应度值的粒子群控制的探索，开发和收敛过程。为了缓解由于使用多样性而导致的效率低下的问题，提出了两种群更新技术来去除糟糕的粒子，使得可以在固定次数的迭代内实现良好的结果。AMPSO的有效性在CEC 2015测试套件中的所有功能上进行了验证，通过与一组全面的16种算法进行比较，包括最近表现良好的PSO变体和其他一些非PSO优化算法。
2020-06-21 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
Robotic Brain Storm Optimization: A Multi-target Collaborative Searching Paradigm for Swarm Robotics
群体智能优化算法可以用于群体机器人中的目标搜索任务在2-D或3-D空间通过处理目标信号强度作为适应值。目前文献中的许多工作在单目标搜索问题上取得了良好的性能。但是，当一个环境中有多个目标需要搜索时，许多基于群体智能的方法可能会过早地收敛到特定的位置，从而无法进一步探索环境。头脑风暴优化（Brain Storm Optimization，BSO）算法模仿一群人集体解决问题。一系列的引导搜索可以最终获得特定优化问题的相对最优解。此外，通过适当的聚类操作，它具有更好的多模态优化性能，即，它可以在目标空间中找到多个最优解。通过在环境约束和机器人约束条件下将机器人群体中的成员与算法中的个体进行匹配，提出了一种基于BSO的群体机器人协作搜索框架Robotic BSO。仿真结果表明，该方法能够模拟BSO的引导搜索特性，在解决群体机器人多目标搜索问题中具有良好的应用前景。
2021-05-27 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
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
Multi-stage, multi-swarm PSO for joint optimization of well placement and control
进化优化算法，包括粒子群优化算法（PSO），已成功地应用于石油工业的生产计划和控制。由于大量的决策变量，生产方案和地下的不确定性，这种优化研究是相当具有挑战性的。在这项工作中，提出了一个多阶段，多群粒子群优化算法（MS2PSO），以解决某些问题，如早熟收敛，全局最优解的过度影响，振荡。使用Olympus基准进行了多个实验，以比较算法的效率。首先调整标准PSO超参数，以优先考虑早期阶段的探索和后期阶段的开发。接下来，一个两阶段的多群粒子群优化算法（2SPSO）被用来在第一阶段的多群崩溃成一个单一的群体在第二阶段。最后，采用多阶段多种群的MS2PSO算法，每一阶段后种群递归崩溃。多群策略确保了种群内的多样性，并探索了多种模式。分段算法保证了初始阶段的局部最优解不会导致早熟收敛。优化测试用例包括90个控制变量和20年的流程模拟。观察到不同的算法设计具有它们自己的优点和缺点。多个群集和阶段有助于算法远离局部最优，但同时它们也可能需要更大数量的迭代来收敛。两个2SPSO和MS2PSO被发现是有帮助的高维和多模式的问题，更大程度的探索是必要的。
2021-06-02 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
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
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
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
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 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
Novel Artificial Human Optimization Field Algorithms - The Beginning
新的人工人类优化（AHO）领域算法可以从头开始创建，也可以通过将人工人类的概念添加到其他现有的优化算法中来创建。粒子群优化算法（PSO）由于其简单性，在求解复杂优化问题中得到了广泛的应用。在这项工作中，新的人工优化领域的算法创建通过修改现有的PSO算法与AHO领域的概念。这些混合粒子群算法属于粒子群优化领域以及AHO领域。目前已有基于人类行为、人类认知、人类思维等概念的混合粒子群算法的研究文献，但还没有基于人类疾病、人类善良、人类放松等概念的混合粒子群算法的研究文献。本文基于这些研究空白，提出了新的AHO场算法。一些现有的混合粒子群优化算法在这项工作中被赋予了一个新的名称，以便未来的AHO研究人员很容易找到这些新的人工优化场算法。共有6种人工人类优化领域算法，分别为“人类安全粒子群优化（HuSaPSO）"、“人类善良粒子群优化（HKPSO）"、“人类松弛粒子群优化（HRPSO）"、“多策略人类粒子群优化（MSHPSO）"、通过将这些新算法应用于Ackley，Beale，Bohachevsky，展位和三驼峰骆驼基准函数。所得结果与PSO算法进行了比较。
2019-03-26 cs.NE
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
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
Cat Swarm Optimization Algorithm -- A Survey and Performance Evaluation
本文对猫群算法进行了深入的研究和性能评估。CSO是一种强大而强大的基于元启发式群的优化方法，自出现以来一直收到非常积极的反馈。它已经解决了许多优化问题，并且已经引入了许多变体。然而，文献缺乏这方面的详细调查或性能评估。因此，本文试图回顾所有这些工作，包括它的发展和应用，并相应地将它们归类。此外，CSO还在23个经典基准函数和10个现代基准函数上进行了测试（CEC 2019）。然后将结果与三种新的强大的优化算法进行比较，即蜻蜓算法（DA），蝴蝶优化算法（BOA）和适应度相关优化算法（FDO）。然后根据Friedman检验对这些算法进行排序，结果表明CSO算法在整体上排名第一。最后，统计方法进一步证实了CSO算法的优越性。
2020-01-10 cs.NE
A new simplified MOPSO based on Swarm Elitism and Swarm Memory: MO-ETPSO
本文提出MO-ETPSO算法，将NSGA-II的拥挤距离等策略与PSO结合，并引入群体记忆和群体精英主义，在绿色车辆路径问题上相比NSGA-II取得更优的求解结果和收敛性。
2024-02-20 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
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
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
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
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 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
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
Reinforcement learning based parameters adaption method for particle swarm optimization
针对粒子群优化（PSO）收敛缓慢的问题，提出基于强化学习的在线参数自适应方法（RLAM）以控制系数，并构建RLPSO，在28个CEC 2013基准函数上验证了其优于现有PSO变体的有效性。
2022-06-02 cs.NE
Further Commentary on the Sooty Tern Optimization Algorithm and Tunicate Swarm Algorithm
本文从概率视角分析了STOA和TSA算法的零偏置问题，指出指数运算等操作导致概率分布偏移，建议谨慎应用。
2025-11-12 cs.NE
Generalized Self-Adapting Particle Swarm Optimization algorithm with archive of samples
在本文中，我们增强了广义自适应的【形】粒子群优化算法（GAPSO），该算法最初是在2018年Nature并行问题求解会议上介绍的，并研究了它的特性。对GAPSO的研究强调了以下两个假设：（1）通过利用所有收集的样本来实现优化算法的良好性能是可能的，（2）最佳性能可以通过特定采样行为（粒子群优化，差分进化和局部拟合平方函数）的组合来实现。从软件工程的角度来看，GAPSO认为标准的粒子群优化算法是创建通用全局优化框架的理想起点。在此框架内，开发混合优化算法，并测试各种其他技术（如算法重启管理或自适应方案）。本文介绍了一种新的版本的算法，简称为M-GAPSO。在与原来的GAPSO配方相比，它包括以下四个功能：一个全球性的重新启动管理计划，样本收集在一个R-树为基础的索引（存档/存储器的样本），适应的采样行为的基础上，一个全球性的粒子的性能，和一个特定的方法来本地搜索。上述增强导致M-GAPSO的性能优于GAPSO，这在COCO BBOB测试平台和黑盒优化竞赛BBComp中都有观察到。此外，对于较低维度的函数（高达5D），M-GAPSO的结果比最先进的CMA-ES（即在GECCO 2017会议上提出的KL-BIPOP-CMA-ES算法）更好或相当。
2020-02-28 cs.NE
Chaos inspired Particle Swarm Optimization with Levy Flight for Genome Sequence Assembly
随着基因组测序的出现，个性化医疗领域发生了革命性的变化。从药物测试和研究疾病和突变到氏族基因组学，都需要研究基因组。然而，基因组序列组装是一个非常复杂的计算生物学组合优化问题。粒子群优化算法是一种流行的启发式群体智能优化算法，用于解决组合优化问题。在本文中，我们提出了一个新的变种粒子群算法来解决这个置换优化问题。将粒子群优化算法与混沌算法和Levy Flight（一种随机游走算法）相结合，有效地平衡了算法的探索和利用能力。实证实验进行评估所提出的方法相比，在文献中提出的其他变种的PSO的性能。分析是在四个DNA覆盖数据集上进行的。所进行的分析表明，该模型达到了更好的性能，更好的可靠性和一致性相比，在所有情况下，其他竞争力的方法。
2021-10-20 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
Green Heron Swarm Optimization Algorithm - State-of-the-Art of a New Nature Inspired Discrete Meta-Heuristics
现实世界中的许多问题都是NP-Hard问题，其中很大一部分可以表示为基于图的问题。这使得图论成为一个非常重要和流行的研究领域。在这项工作中，一种新的生物启发的元算法，称为绿鹭群优化（GHOSA）算法被引入，其灵感来自鸟的捕鱼技能。该算法基本上适合于组合优化等基于图的问题。然而，引入了一种称为基于位置的邻居影响变分（LBNIV）的自适应数学变分算子，使其适合于高维连续域问题。在传统的基准方程组上进行了运算，并与遗传算法和粒子群算法进行了比较。该算法在旅行商问题、二次分配问题、背包问题数据集上也得到了应用。并讨论了该算法在资源约束最短路径和路网优化问题上的具体实现过程。结果清楚地表明GHOSA算法是一种有效的算法，特别是考虑到离散优化的算法数量非常低，并且在这个社交网络时代和大多数基于图的问题场景中需要更探索性的算法。
2013-10-14 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
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
Beyond Algorithm Evolution: An LLM-Driven Framework for the Co-Evolution of Swarm Intelligence Optimization Algorithms and Prompts
本文提出基于LLM的协同进化框架，用于优化群体智能算法与提示，提升复杂环境下的自动设计性能。
2025-12-10 cs.NE
Salp Swarm Optimization: a Critical Review
在生物启发的基于种群的元算法的拥挤环境中，Salp Swarm Optimization（SSO）算法最近出现并立即获得了很大的动力。受Salp菌落的特殊空间排列的启发，该算法似乎提供了一个有趣的优化性能。然而，最初的工作的特点是一些概念和数学缺陷，这影响了所有随后的论文就这个问题。在本文中，我们对SSO进行了严格的审查，突出了文献中存在的所有问题及其对该算法进行的优化过程的负面影响。我们还提出了一个数学上正确的版本的SSO，命名为修正Salp群优化（ASSO），解决了所有讨论的问题。我们对ASSO的性能进行了一组量身定制的实验，表明它能够实现比原始SSO更好的结果。最后，我们进行了一项广泛的研究，旨在了解SSO及其变体是否比其他metacrologistics提供优势。实验结果表明，SSO不能优于简单的众所周知的元分析，这表明科学界可以安全地放弃SSO。
2021-11-06 cs.NE
Parameter Identification of Induction Motor Using Modified Particle Swarm Optimization Algorithm
本文提出了一种新的异步电动机参数辨识方法。所提出的技术是基于一个简单的启动测试，使用一个标准的V/F逆变器。记录的启动电流进行比较，通过仿真的感应电动机模型。一个改进的粒子群优化算法被用来找出最佳的模型参数，最小化测量和模拟电流之间的平方和误差。将改进的粒子群算法与线搜索、传统粒子群算法和遗传算法等优化方法进行了性能比较。仿真结果表明，所提出的技术捕捉机器参数的真实值的能力和使用修改后的粒子群算法比其他优化技术所获得的结果的优越性。
2013-02-28 cs.NE
A Modular Hybridization of Particle Swarm Optimization and Differential Evolution
在群体智能中，粒子群优化（PSO）和差分进化（DE）已经成功地应用于许多优化任务中，并且已经引入了大量变体，其中实现了新的算法算子或组件，以提高经验性能。在本文中，我们首先提出将PSO或DE的变体进行组合，通过将每个算法模块化并将其变体作为相应模块的不同选项。然后，考虑到PSO和DE的内部工作原理之间的相似性，我们杂交的算法，通过创建两个种群的PSO和DE分别与变异算子，并选择这两个群体的个人。由此产生的新的杂交，称为PSODE，涵盖了双方最新的变体，更重要的是，通过其中模块的不同实例化，产生了大量看不见的群算法。详细地说，我们考虑16个不同的变异算子源自现有的PSO和DE算法，其中，结合4个不同的选择算子，允许杂交框架产生800种新的算法。由此产生的一组混合算法，以及相结合的30 PSO和DE算法，可以产生与所考虑的运营商，进行测试的24个问题，从著名的COCO/BBOB基准套件，跨多个功能组和维度。
2020-06-21 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
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
Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem
Novosibirsk State Technical University（新西伯利亚国立技术大学）
研究了粒子群优化算法在调度问题中的应用。为了提高算法的性能，实现了粒子速度约束和进化元优化。该方法采用遗传算法进行粒子群优化参数的选择。在作业车间调度问题的测试任务上进行了实验。这项研究证明了该方法的适用性，并显示了调整群体智能方法的行为参数，以实现高性能的重要性。
2020-06-19 cs.AI 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
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
Network Routing Optimization Using Swarm Intelligence
本文的研究目的是将群体智能应用于网络路由中的最小生成树问题和最短路径问题。这项工作被认为是一个研究课题，结合运筹学，离散数学，进化计算，旨在解决网络问题之一。
2015-08-17 cs.DM 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
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
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
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
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
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
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
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
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 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
