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
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
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
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
本文基于自适应修改视觉和步长的不同方法来平衡局部和全局探索,针对人工鱼群算法进行了性能研究,实验结果表明了方法对人工鱼群算法的性能有显著的正面影响。
May, 2014
本文比较了遗传算法(GA)和粒子群优化(PSO)两种重要的人工智能算法,重点优化了椭圆曲线密码学(ECC)参数。研究结果揭示了在相同适应度函数下,哪种生物启发式算法能够提供更好的 ECC 配置优化结果,并考察了通过评估奇异或异常曲线、应用 Pollard 的 rho 攻击和 Hasse 定理来确保健壮的 ECC 参数的方法。通过在模拟电子商务环境中测试 GA 和 PSO 生成的优化参数,在使用椭圆曲线 Diffie Hellman(ECDH)和基于哈希的消息认证码(HMAC)传输订单消息时,与 secp256k1 等知名曲线进行对比。本研究专注于传统计算领域,强调 GA 和 PSO 在 ECC 优化中的有效性,并对第三方电子商务集成中的加密安全性产生影响。我们建议在量子计算广泛应用之前即刻考虑这些研究结果。
Oct, 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
通过异行星数据确定宜居性需要综合考虑多个参数,本文通过提出一种约束优化的多元、凸优化模型并使用改进的粒子群算法来确保全局最优,为寻找新的宜居星球提供指导。
May, 2018