DeepACO 是一个利用深度强化学习来自动化启发式设计的通用框架，用于加强现有 ACO 算法的启发式措施并在未来 ACO 应用中省去繁琐的手动设计。作为一个神经增强元启发式方法，DeepACO 在八个组合优化问题上使用单个神经模型和一组超参数始终优于其 ACO 对应物。作为一种神经元组合优化方法，DeepACO 在经典路由问题上表现优于或与特定问题方法相当。

Sep, 2023

本研究提出了一种名为 Focused ACO 的 Ant Colony Optimization 变种，通过控制新构建解与先前选择解之间的差异数，实现了更加集中的搜索，同时与问题特定的局部搜索更有效地集成，这在解决大型 TSP 实例方面比现有的 ACO 更有效。

Mar, 2022

机器学习增强蚁群算法（MLACO）是一种用于列生成（CG）的有效方法，通过训练机器学习模型来预测子问题的最优解，并将该预测融入蚁群算法的概率模型中，以生成多个高质量的列。在解决冲突的装箱问题上，实验证明 MLACO 方法显著改善了 CG 的性能，并且当将该方法与分支定价法相结合时，能大幅缩短求解时间。

Apr, 2024

本研究提出了 FaSACO，这是一种基于蚂蚁群算法的快速走过覆盖区域路径规划方法，可以利用启发式信息减少路径规划的时间复杂度，使优化路径更高效，并特别适用于实时和能量有限的应用。

May, 2022

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

通过引入模拟指导波束搜索（SGBS）和有效主动搜索（EAS）的组合，提高了神经组合优化的搜索效率。

Jul, 2022

本文提出一种基于蚁群算法的高性能词性标注方法 ACO-tagger，该方法在自然语言处理中的词性标注任务中获得了高准确率，达到了 96.867%，比其他现有方法表现更好，同时速度快，效率高，可用于实际应用。

Mar, 2023

本文提出了一种协作框架，其中区间方法和进化算法相互合作，以实现全局优化的数字证明，并将其与现有的区间法和 NLP 法进行了比较

Oct, 2015

本研究提出了一种用于高维贝叶斯优化的期望坐标改进准则，该方法通过选择具有最高期望坐标改进值的坐标进行优化，逐渐覆盖所有坐标，从而有效解决了高维贝叶斯优化中凸函数选择的问题，并在数值实验中展现出优于传统贝叶斯优化和五种先进高维贝叶斯优化算法的竞争性结果。

Apr, 2024

介绍了一种修改后的 LAB 算法，该算法建立在原始 LAB 算法的基础上，通过引入轮盘赌方法和缩减系数，引入了群体间竞争并逐步缩小样本空间。该算法通过解决 CEC 2005 和 CEC 2017 的基准测试问题来验证，并使用双边和成对符号秩 Wilcoxon 检验以及 Friedman 秩检验对解决方案进行验证。该算法表现出更强的稳健性和搜索空间探索能力。此外，还提出了一种基于聚类的搜索空间缩减方法，使该算法能够解决约束问题。这种方法能够识别满足约束条件并有助于实现最优解的可行区域聚类，展示了作为传统约束处理技术潜在替代方案的有效性。最后，将使用修改后的 LAB 算法所获得的结果与其他最新的元启发式算法进行比较。

Oct, 2023