particle swarm optimization
PulseAugur coverage of particle swarm optimization — every cluster mentioning particle swarm optimization across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新研究对具有异构距离衰减的设施选址问题进行分类
一篇新发表在arXiv上的研究论文介绍了一种处理具有异构距离衰减的设施选址问题的新方法。在这种场景下，设施的价值随距离衰减，且衰减率各不相同。该研究对离散和连续目标提供了可处理性分类，并提供了一种精确的离散方法，可在几秒钟内解决实例。此外，它还提出了一种启发式方法，该方法能非常接近最优解，并且优于现有算法，在真实世界的订单配送数据上证明了其有效性。
-
AgentPSO框架利用粒子群优化演进大型语言模型的推理能力
研究人员开发了AgentPSO，一个利用粒子群优化方法来增强大型语言模型推理能力的新型框架。与依赖推理时交互的现有方法不同，AgentPSO在不改变骨干语言模型参数的情况下，迭代地演进单个智能体的推理能力。这种方法允许智能体学习并结合自身的经验以及群体中最强的技能，从而在数学和通用推理基准测试中取得更好的性能。演进出的技能已被证明在不同基准测试中甚至可以迁移到其他骨干模型，表明捕获了可重用的推理过程。
-
新的RIS辅助切换方法提高了毫米波无线网络的可靠性
研究人员开发了一种用于毫米波（mmWave）无线网络主动切换的新方法，该网络容易发生信号阻塞。所提出的方法利用可重构智能表面（RIS）在没有基站可用时恢复连接。为了解决RIS的配置时间限制，该系统优化了分配的RIS单元数量，以平衡处理复杂性和链路质量，从而提高能效。这种RIS辅助切换系统可以在阻塞区域实现显著的信号强度改善，同时保持准确的切换时序。
-
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。
-
GenTrack和GenTrack2通过混合方法推进多目标跟踪 · 跟踪了2个来源
研究人员推出了GenTrack及其改进版本GenTrack2，这是一种新颖的多目标跟踪（MOT）方法，结合了随机和确定性方法。这些方法旨在保持目标身份一致性并管理非线性动力学，尤其是在遮挡期间以及目标检测器较弱时。GenTrack和GenTrack2都利用粒子群优化（PSO），并采用增强的适应度度量，该度量结合了目标之间的运动、外观和社会互动。研究人员还在GitHub上提供了公开源代码实现，以方便重新实现和进一步研究。
-
新的Multi-Adapter PPO框架增强了LIBS定量分析
研究人员开发了一个名为Multi-Adapter PPO的新框架，以解决激光诱导击穿光谱（LIBS）定量分析中波长选择的挑战。这种新颖的方法将波长选择视为一个强化学习问题，利用交叉注意力机制和专门的适配器来更好地理解光谱数据。该框架在钢和煤数据集上展示了比传统粒子群优化（PSO）显著的改进，综合得分提高了28.4%，预测准确率提高了45.2%。
-
新的p-PSO技术增强了复杂统计模型的最优设计
研究人员开发了一种名为p-PSO的新优化技术，旨在解决在广义线性模型（GLMs）中寻找D最优设计的复杂性问题。该方法在处理混合因子（离散和连续）以及未知Fisher信息矩阵的挑战时特别有用。p-PSO方法引入了一种通用的惩罚公式，可以与各种优化算法集成，为这些复杂的统计问题提供了更强大、更有效的解决方案。
-
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。
-
无人机采用新的轨迹优化技术以改进目标定位
研究人员开发了一种新的轨迹优化方法，用于无人机（UAV）在仅方位目标定位任务中。该方法利用费舍尔信息矩阵（FIM）根据几何配置和机动性动态调整无人机的路径。对于双无人机系统，增加了一个项来优化三角测量几何形状，以防止轨迹聚集。该方法显著减少了定位误差，与现有的基于FIM的技术相比，单无人机场景的定位误差减少了99.21%，双无人机配置的定位误差减少了69.70%。
-
数字孪生和深度强化学习增强6G无人机网络资源管理
研究人员开发了一个新的框架，利用数字孪生和深度强化学习来管理无人机支持的6G网络中的频谱和资源。该方法通过优化无人机轨迹和频谱分配来应对动态环境和连接需求等挑战。模拟表明，在频谱效率、数据速率和能源使用方面都有显著的改进，为更自主的6G网络铺平了道路。
-
图学习助力空间碎片捕获系统设计
研究人员开发了一种新颖的、基于图学习辅助的优化方法，用于设计主动系绳-网系统以捕获空间碎片。该方法利用图神经网络（GNN）推荐最优设计组合，与传统方法相比显著加快了优化过程。该系统解决了涉及混合连续、整数和分类变量的复杂非线性优化问题，在网体形态、推进器选择和控制瞄准点方面展示了更快收敛到最优解。
-
HEART框架解决了车辆AI的多模型训练问题
研究人员开发了一个名为HEART的新框架，以解决车-边-云协同分层联邦学习（HFL）中多模型训练的挑战。该框架旨在最小化全局训练延迟并确保跨不同任务的资源均衡分配，这是一个复杂的NP-hard问题。HEART采用混合同步-异步聚合规则和涉及进化算法与贪婪法的两阶段方法来进行任务调度和优先级排序。实验表明，HEART在动态VEC-HFL环境中优于现有方法。
-
新研究揭示AI优化景观表示之间的一致性问题
一篇新论文评估了黑盒优化中使用的四种主流景观特征表示法：ELA、DeepELA、TransOptAS 和 DoE2Vec。研究发现，每种表示法都以不同的方式组织问题空间，其中 ELA 和 TransOptAS 形成紧凑的几何结构，DeepELA 提供均衡的视角，而 DoE2Vec 则显示出语义一致性但存在碎片化。研究表明，这些表示法捕捉了问题景观的互补方面，并提出没有任何单一表示法能够完全将结构描述与观察到的算法性能对齐。
-
新的PSO策略通过信息驱动的多样性解决过早收敛问题
一篇新的研究论文探讨了防止粒子群优化（PSO）过早收敛的方法。该研究引入了问题信息驱动的多样性增强策略，通过修改群体的社会和认知方面来达到目的，例如对立最优和负面学习。这些信息驱动的策略与非信息驱动的随机化技术进行了比较。研究结果表明，将多样性增强整合到群体的动态过程中比仅仅存在外部指导更为关键，其中速度层面的扰动比位置层面的扰动更有效。