ant colony optimization algorithms
PulseAugur coverage of ant colony optimization algorithms — every cluster mentioning ant colony optimization algorithms across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
普适计算与人工智能：隐形技术的未来
普适计算的概念，即将计算能力无缝集成到日常物品和环境中，正被探索作为人工智能的潜在未来。这种方法旨在使技术隐形且无处不在，通过智能系统预测需求并适应上下文来增强用户体验。这个想法与群体智能相似，即去中心化的代理协同工作以完成复杂任务。
-
新PhGPO方法利用蚁群优化增强LLM代理工具规划
研究人员推出了一种新颖的PhGPO方法，用于改进大型语言模型（LLM）代理中的长时域工具规划。该方法受到蚁群优化的启发，利用学习到的“信息素”来表示历史轨迹中成功的工具转换模式。通过信息素指导策略优化，PhGPO旨在使复杂、多步骤任务的规划过程更有效率和效果。实验已显示出PhGPO方法的初步成果。
-
新框架STILO优化严格时限下的离散问题
研究人员开发了STILO，一个新颖的元启发式优化框架（MOF），旨在严格时限内为离散优化问题找到高质量的解决方案。STILO集成了蚁群优化（ACO）、遗传算法（GA）和模拟退火（SA）的可配置组件，并结合了新颖和现有的算子。在合成和基准实例上的实验表明，STILO的模拟退火离散距离计算在严格时限下是有效的，并且不同算法族和算子的性能受到问题类型、实例特征和可用计算预算的影响。
-
RouteRepair 通过修复实例级故障来增强大语言模型生成的路由启发式算法
研究人员开发了 RouteRepair，这是一种用于改进大语言模型 (LLM) 生成的路由优化问题启发式算法的新颖方法。RouteRepair 能够识别 LLM 设计的启发式算法中特定的实例级故障，并进行定向修改，以提高在困难案例上的性能，同时不降低在简单案例上的性能。在旅行商问题 (TSP) 和有容量车辆路径问题 (CVRP) 上的实验表明，该方法显著提高了性能，减小了最优性差距和平均路径成本。
-
LLM驱动的群体显示出潜力但面临计算障碍
一篇新研究论文探讨了LLM驱动的群体概念，并以OpenAI的Swarm (OAS)框架为例。该研究将Boids和Ant Colony Optimization等经典群体智能算法与LLM驱动的对应算法进行了比较。虽然基于LLM的群体可以模仿群体行为，但研究强调了显著的计算开销，其中一个LLM模拟比其经典版本耗时300倍。这表明，由于这些限制，目前LLM驱动的群体可能不适用于实时应用。
-
新AI方法优化海事目标卫星调度
研究人员开发了一种名为隐式Q学习引导蚁群优化（IQACO）的新方法，用于改进敏捷地球观测卫星的海事移动目标观测调度。该方法将离线Q学习模块集成到蚁群优化中，以动态调整关键参数，从而提高任务选择、卫星分配和观测排序的效率和有效性。实验表明，与传统的蚁群优化算法相比，IQACO在各种场景下始终实现了更高的观测收益，提升幅度在3.40%至9.40%之间。
-
新的PIAC框架增强了LLM在优化问题上的泛化能力
研究人员开发了一个名为潜在感知实例和算法协同演化（PIAC）的新框架，以提高大型语言模型（LLM）在解决复杂组合优化问题上的泛化能力。PIAC通过引入一种新颖的“潜在增益”指标来消除对参考解的需求，并利用LLM生成多样化的实例变异器，从而解决了现有方法的局限性。在旅行商问题和有容量车辆路径问题上的评估表明，PIAC的表现持续优于最先进的基线，其中TSP贪婪构造组合的改进尤为显著，达到了19.76%。
-
MuEvo框架使用LLM演化启发式集成以进行优化
研究人员推出了一种新颖的框架MuEvo，该框架利用大型语言模型（LLM）来演化组合优化问题的启发式集成。与以往专注于单一启发式方法的不同，MuEvo通过引入动态组件管理和LLM驱动的协同演化，解决了优化多个相互作用组件的挑战。该框架利用多集成评估、跨组件信息共享和自适应预算分配等技术来协调组件种群。在选择超启发式和蚁群优化上的评估表明，MuEvo的表现优于现有的多组件LLM-AHD方法，并增强了人类设计的框架。
-
Transformer引导的群体智能用于节俭的神经架构搜索
研究人员开发了一个新的神经架构搜索（NAS）框架，该框架显著降低了计算要求，使其可以在NVIDIA RTX 3060等消费级硬件上运行。该方法结合了通过强化学习训练的Transformer控制器和人工蜂群算法，以实现高效的架构设计。该系统成功地为CIFAR-10上的图像分类识别出了一种参数高效的架构，以紧凑的网络实现了84.85%的准确率，并将其应用于信用卡欺诈检测，针对不平衡的表格数据优化了F1分数。
-
密苏里科技大学研究人员利用蚂蚁和鸟类的行为来改进人工智能
密苏里科技大学的一名研究人员正在开发受蚂蚁和鸟类集体行为启发的新人工智能方法。一种名为蚁群优化的技术模仿了蚂蚁寻找高效路径的方式，而粒子群优化则基于鸟类如何共享信息和适应成功的同伴。这些受生物启发的方法旨在增强人工智能的能力。
-
新型混合算法解决旅行商问题
研究人员开发了一种新的混合元启发式方法来解决旅行商问题（TSP），这是一个复杂的优化挑战。该方法集成了以其全局搜索能力而闻名的蜻蜓算法（Dragonfly Algorithm）和使用记忆进行局部优化解决方案的禁忌搜索（Tabu Search）。这种组合策略旨在通过广泛探索然后微调有希望的结果来提高路线质量，在基准实例上表现优于单独的算法。
-
DyNACO框架通过动态神经引导增强蚁群优化
研究人员开发了DyNACO，一个用于蚁群优化（ACO）的动态神经引导新框架。该方法通过允许策略根据实时信息素分布和现有解进行调整，解决了静态训练策略与迭代搜索过程之间的不匹配问题。DyNACO已证明其可扩展至大规模旅行商问题（TSP）和车辆路径问题（CVRP），性能优于现有的神经方法，并经常改进无引导求解器的性能。
-
蚁群优化算法应用于装箱问题
本系列分为两部分，探讨群体智能，特别是蚁群优化（ACO），如何应用于解决装箱问题（BPP）。第一部分介绍了集体智能和刺激协同（stigmergy）的概念，解释了蚂蚁如何利用信息素优化路径，然后将其应用于诸如BPP之类的分组问题。第二部分深入探讨了使用专门的适应度函数来定义“好”的解决方案，该函数优先考虑箱子利用率，并介绍了用于更快执行的代码优化。
-
蚁群优化算法在图神经网络中焕发新生
一个受蚂蚁行为启发的1992年算法重新出现，在解决复杂问题方面表现出卓越的效率。蚁群优化（ACO）算法最初是基于对阿根廷蚂蚁的观察而开发的，已被证明在旅行商问题等任务中非常有效，并取得了接近最优的结果。该算法最近被整合为图神经网络的骨干，于2023年在NeurIPS上发表，凸显了其在现代人工智能研究中的持续相关性和适应性。