本研究提出了一种创新框架，结合灰狼优化器、贝叶斯优化和粒子群优化，改进传统蒙特卡洛Dropout在不确定性估计中的不足，显著提升深度学习模型在安全关键应用中的可靠性。

本研究提出了一种新交叉算子粒子群优化启发交叉（PSOX），旨在改进实数编码遗传算法。PSOX结合全局最佳解和历史最优解，提升了收敛速度并保持了种群多样性。实验结果表明，PSOX在解决方案的精度和稳定性方面优于其他五种交叉算子。

本文综述了软件测试领域中自动化测试的挑战与改进方案，重点讨论遗传算法和粒子群优化方法的混合算法组合，以及其与突变测试和神经网络的互操作性，揭示了当前测试标准、可读性和模拟问题等挑战。

本研究分析了粒子群优化算法在配置不明确时的低可靠性问题，探讨了不同通信拓扑对信息流和收敛速度的影响，提升了优化决策的可解释性，并提出了选择合适拓扑的建议。

本研究分析了粒子群优化（PSO）学习策略及其对优化性能的影响，比较了不同策略在PSO中的作用，强调了自适应智能PSO变体的必要性，为未来发展提供了参考。

本研究针对车载自组网（VANETs）中的通信协议配置问题，优化文件传输协议（FTC）以提高传输效率。比较五种优化技术后，粒子群优化（PSO）在城市和高速公路场景中表现最佳，显示出显著优势。

本研究提出了一种基于强化学习的粒子群优化方法（DERLPSO），用于微分方程中未知参数的估计。该方法克服了传统方法对初始值的依赖，显著提升了性能，平均均方误差达到1.13e-05，具有较高的准确性和普适性。

本研究提出了一种基于链关联的对抗攻击方法，揭示了自然语言处理系统的脆弱性。通过生成汉字链关联图并应用粒子群优化算法，发现高级模型对攻击敏感，而人类的理解能力较强。同时，探讨了对抗训练和恢复方法以增强系统的安全性。

本文探讨了元学习算法在联邦学习中的个性化应用，强调其在物联网设备中的重要性。研究表明，联邦平均算法通过微调可实现更准确的全局模型，同时解决隐私和安全问题。文章分析了个性化联邦学习的挑战与应用，提出基于粒子群优化的模型调优方法，并探讨未来研究方向。

本研究修复了GBSVM模型的问题，提出了一种基于粒子群优化的算法，实验结果表明其具有良好的鲁棒性和效率。引入粒球模糊集，扩展至GBFSVM，验证了其在处理不平衡和噪声数据集上的有效性。此外，提出了TPMSVM和加权KNN双支持向量机，显著提高了分类准确度和计算效率。