研究了一种高度通用的解释性粒子群优化算法 PAO，它可以精确计算每一步的转移密度，并且具有其他有用的特性，例如封闭形式的转移密度，是一个潜在的用于全局优化的有前途的算法。

Apr, 2023

利用张量操作形式的自进化粒子群优化 (SEPSO) 可提高计算效率并在动态路径规划中生成出色路径，具有优越的实时性能。

Aug, 2023

通过将梯度优化方法与粒子群优化的团队合作特性相结合，我们研究了提高粒子群优化效率和效果的各种策略，包括顺序解耦合、并联解耦合和自适应解耦合等方式，并比较了它们在不同问题领域的应用。

Dec, 2023

本文提出了一种将粒子群优化算法与新颖性搜索相结合的方法，该方法通过新颖性搜索寻找搜索域中的新颖点，然后使用粒子群优化算法在该区域内搜索全局最优解，该方法在处理存在大量局部最优解和次全局最优解远离真正最优解的函数时表现良好。

Feb, 2022

本文提出了一种基于粒子群优化（PSO）技术来优化本地机器学习模型超参数设置的 FL 环境的方法，结果表明与基于网格搜寻方法相比，PSO 提供了深度 LSTM 模型调优的高效方法。

Sep, 2020

本文提出了一种解决各种优化问题的基于数学模型的分析框架，可以确定被提出的 PSO 算法的超参数值，以获得更高效的收敛性和更低的 AFFV。

Feb, 2023

粒子群优化算法相比其他技术更易于使用且变异性较低，但在大规模优化问题中寻找最佳解决方案相对复杂，该研究提出了基于旁观者多亲本交叉离散粒子群优化算法（OMPCDPSO），通过在最佳解决方案上应用多亲本交叉，利用旁观者蜜蜂进行独立和深入的局部搜索，结合局部搜索和全局搜索，算法在分配问题的优化中表现出较高的能力，优于其他算法。

Mar, 2024

此论文介绍了粒子群优化算法（PSO）作为统计学中使用的现行算法的替代品，并发现 PSO 不仅可以复现现有算法的结果，还能在其他算法无法收敛时找到问题源，优化结果。论文通过四个例子展示了使用 PSO 的优势，包括估计泛化分布的参数，log - 二项回归的结果，具有 LASSO 惩罚的二项回归中链接函数的灵活性，以及与传统方法相比，对 EE-IW 分布的 MLE 估计更优。

May, 2024

通过进化状态估计（ESE）根据高维度全局搜索和低维度局部搜索状态适应性地调整速度限制策略的新型 PSO 变体（PSO-SAVL）具有提高避免局部最优的能力，并在广泛的基准函数以及高维度大规模问题上展现了满意的扩展性。

Aug, 2023

使用 OpenNAS 开源工具结合粒子群优化和蚁群优化算法进行神经网络模型的训练和优化，实验证明粒子群优化算法（PSO）在生成更高模型准确度方面的表现优于蚁群优化算法（ACO），尤其在复杂数据集上效果显著，同时也评估了微调预训练模型的性能作为基准。

Mar, 2024