通过将高斯压缩搜索（GCS）与不需求导的优化中的 Powell 方法进行混合，本研究提出了一种增强优化性能的新方法。通过实验发现，将 GCS 与某些传统的不需求导的优化方法相结合，不仅可以显著提升性能，同时保留了每种方法的优势，为优化复杂系统以及在各种应用中寻找最优解打开了新的可能性。

Aug, 2023

通过全局搜索光学（GSO）方法，我们提出了高级紧凑计算成像系统的自动设计范例，该方法结合了自动光学设计和图像重建网络的并行优化，综合考虑了物理约束条件以及设计规范，实现了全局优化的结构搜索能力，并为传统方法提供了更高的成像质量。

Apr, 2024

本文提出了基于 Brans-Dicke 引力理论的 Gravitational Search Algorithm with Normalized Gravitational Constant (GSA-NGC) 优化算法，并验证了它的性能与效率在多种应用领域中具有显著的提高。

Apr, 2022

本研究提出了一种新的多粒度优化算法，即颗粒球优化算法（GBO），通过引入颗粒球计算。GBO 采用很多粒度球来覆盖解决方案空间，并使用许多小而精细的粒度球来描述重要部分，以及少量大而粗粒度的粒度球来描述不相关部分，这种细粒度多粒度数据描述能力使其具有更强的全局搜索能力和更快的收敛速度，在比较 20 个基准函数的实验中，其性能更好，更快，更能逼近最优解，没有超参数，设计更简单，成为大多数现有智能优化算法的全面替代品。

Mar, 2023

我们开发了一种基于多维积分的概率方法，用于求解全局最优解，该方法不需要梯度信息，具有收敛性和适用于任意维度的特性。通过在多个非凸测试函数上的实证研究，我们发现该方法在遗憾值和收敛速度方面优于许多现有的状态 - of-the-art 方法。

Oct, 2023

研究了标准相关分析的随机优化，提出了两种全局收敛的元算法，通过将原问题转化为序列的最小二乘问题，使用最先进的 SGD 方法，并获得了显著的时间复杂度改进。

Apr, 2016

本文提出了一种基于 Gibbs 采样和基于图形平滑的方法，旨在消除对变异距离的限制并实现高效探索，该方法在从训练集获得的高适应性蛋白质的发现方面处于领先地位。

Jul, 2023

本文提出了一种通过定义与内核关联的统计假设的符号表示来定义内核 - 内核的方法，并在离散内核空间中搜索的新颖且高效的搜索方法。

Oct, 2022

开发了基于 Stochastically Controlled Stochastic Gradient Method 的算法，可用于非凸的有限和优化问题，并取得了优于随机梯度下降的表现。在满足 Polyak-Lojasiewicz Condition 约束的函数中，同样实现了加速优化，实验表明在训练多层神经网络方面，该方法优于随机梯度下降。

Jun, 2017

本研究提出了基于统计压缩感知（SCS）的压缩感知（CS）新框架，探索了基于高斯模型的 SCS，对单高斯模型下的信号进行了深入探究，并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器，提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明，与传统 CS 相比，GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。

Jan, 2011