The real-world optimal problems frequently encountered by various industries are the nonlinear constrained optimization problems (NCOPs), where the constraints represent the limitations of practical resources. Many researchers have attempted to improve particle swarm optimization (PSO) in the past decades; however, in solving the NCOPs, the PSO-based approaches often cause premature convergences. The problem-specific constraints frequently generate many infeasible regions that block the movements of particles. The particles' behavior causes the exploration abilities of particles that tend to weaken along with time. The decreasing of exploration ability often comes from the particle becoming stagnant or moving unusefully. This study proposes a neutrino-like particle (NLP) with adaptive NLP hyperparameters that simulate the natural neutrino behavior. The proposed NLPs can be embedded in the PSO-based approaches for overcoming premature convergence. The experiment results demonstrate that all referenced PSO-based methods with the NLPs improved significantly compared with those without the NLPs to solve the NCOPs. All referenced PSO-based methods that embedded the NLPs also significantly outperform four recent strong algorithms in most IEEE CEC 2020 benchmark problems. Therefore, the proposed NLPs with adaptive NLP hyperparameters can effectively solve the premature convergences, reinforce the exploration ability, and maintain the exploitation capability for solving the NCOPs over the whole evolution process.

中文翻译：

---

用于粒子群优化的类中微子粒子

各个行业经常遇到的现实世界的优化问题是非线性约束优化问题（NCOPs），其中的约束代表了实际资源的局限性。在过去的几十年里，许多研究人员试图改进粒子群优化 (PSO)；然而，在求解 NCOP 时，基于 PSO 的方法通常会导致过早收敛。特定于问题的约束经常会产生许多阻止粒子运动的不可行区域。粒子的行为会导致粒子的探索能力随着时间的推移而减弱。探索能力的下降往往来自于粒子变得停滞或无用的移动。这项研究提出了一种具有自适应 NLP 超参数的类中微子粒子 (NLP)，可模拟自然中微子的行为。提出的 NLP 可以嵌入到基于 PSO 的方法中，以克服早熟收敛。实验结果表明，与没有 NLPs 的方法相比，所有引用的基于 PSO 的 NLPs 方法在解决 NCOPs 方面都有显着提高。所有引用的嵌入 NLP 的基于 PSO 的方法在大多数 IEEE CEC 2020 基准问题中也显着优于最近的四种强算法。因此，所提出的具有自适应 NLP 超参数的 NLPs 可以有效地解决早熟收敛，增强探索能力，并在整个进化过程中保持解决 NCOPs 的开发能力。提出的 NLP 可以嵌入到基于 PSO 的方法中，以克服早熟收敛。实验结果表明，与没有 NLPs 的方法相比，所有引用的基于 PSO 的 NLPs 方法在解决 NCOPs 方面都有显着提高。所有引用的嵌入 NLP 的基于 PSO 的方法在大多数 IEEE CEC 2020 基准问题中也显着优于最近的四种强算法。因此，所提出的具有自适应 NLP 超参数的 NLPs 可以有效地解决早熟收敛，增强探索能力，并在整个进化过程中保持解决 NCOPs 的开发能力。提出的 NLP 可以嵌入到基于 PSO 的方法中，以克服早熟收敛。实验结果表明，与没有 NLPs 的方法相比，所有引用的基于 PSO 的 NLPs 方法在解决 NCOPs 方面都有显着提高。所有引用的嵌入 NLP 的基于 PSO 的方法在大多数 IEEE CEC 2020 基准问题中也显着优于最近的四种强算法。因此，所提出的具有自适应 NLP 超参数的 NLPs 可以有效地解决早熟收敛，增强探索能力，并在整个进化过程中保持解决 NCOPs 的开发能力。实验结果表明，与没有 NLPs 的方法相比，所有引用的基于 PSO 的 NLPs 方法在解决 NCOPs 方面都有显着提高。所有引用的嵌入 NLP 的基于 PSO 的方法在大多数 IEEE CEC 2020 基准问题中也显着优于最近的四种强算法。因此，所提出的具有自适应 NLP 超参数的 NLPs 可以有效地解决早熟收敛，增强探索能力，并在整个进化过程中保持解决 NCOPs 的开发能力。实验结果表明，与没有 NLPs 的方法相比，所有引用的基于 PSO 的 NLPs 方法在解决 NCOPs 方面都有显着提高。所有引用的嵌入 NLP 的基于 PSO 的方法在大多数 IEEE CEC 2020 基准问题中也显着优于最近的四种强算法。因此，所提出的具有自适应 NLP 超参数的 NLPs 可以有效地解决早熟收敛，增强探索能力，并在整个进化过程中保持解决 NCOPs 的开发能力。