仿生助检索算法的能源与质量：首次分析

解决复杂现实问题通常需要先进的算法，然后需要不断改进其内部操作。混合算法、并行技术、理论进展等等都是将通用搜索算法转化为实践中高效有用的关键。本文从一个重要且鲜有研究的视角研究仿生助检索方法的能源配置：即它们的能源配置。尽管仿生助是一个解决复杂适应性函数的绝妙想法，但结果的能源配置、一般效率和准确性仍需大量研究。在本工作中，我们对粒子群优化进行首次分析，包括使用预训练和再训练的神经网络作为仿生器，用于其能源配置（包括处理器和内存），以及进一步研究仿生器准确性，以正确驱动搜索接近可接受解。我们的结论为该主题带来了新视角，并可被理解为更全面地表征优化和学习技术的能源和仿生器准确性方法的第一步。