本篇论文提出了一种基于粒子群优化算法的寻路策略，研究了不同 PSO 参数对算法性能的影响，证明 PSO 算法能够在具有障碍物的空间中提供一条解决方案路径。
Dec, 2021
采用共享奖励系统鼓励多样性行为是避免进化算法陷入局部极小值的有效方法，用于解决迷宫问题和 Atari 游戏，相比 Novelty Search 方法，本文方法实现更简单且性能更好。
Jun, 2022
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
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
提出了一种针对黑盒系统的用于高效采样的基于贝叶斯优化的新颖搜索算法。通过模拟和实验，自动发现多样化的系统行为对于许多真实世界的设计问题至关重要。该算法利用多输出高斯过程模型和一种基于后验样本的新颖度量，既能够促进探索又能够充分利用已有信息，从而在有限的样本预算下找到更大的多样化行为集合。
Jun, 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
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
本文介绍了一个分布式应用程序的开发，该程序可帮助解决优化问题中的群体智能，并利用 Ray 分布式计算的威力，提供一个用户友好的平台来提高群体智能在问题解决中的理解和实际应用。
Jan, 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。
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