提出了新的直接编码策略和速度算子，具有更快的收敛性。该算法只搜索CNN结构。在目前的研究中，每一层的权重都认为是不可搜索或不可进化的。
直接编码策略：将CNN结构分为两个块：一个块只包含卷积层和池层，另一个块只包含完全连接层。
contribution：
1.提出了一种新的粒子群优化算法，该算法可以在不受尺寸限制的情况下，利用可变长度粒子搜索深卷积神经网络的最优结构。允许粒子在没有上限的情况下长大。
2.提出了一种新的差分算子（difference operator），它允许两个具有不同层数和参数的粒子进行比较，并且允许粒子的速度在不使用实值编码方案的情况下进行更新。
3.设计了一种新的速度算子（velocity operator），可以用来修改给定的CNN结构，使之类似于群中的全局最优个体或其个人最优配置。这种速度算子允许我们使用一种几乎标准的PSO算法进行搜索，避免了使用多维PSO算法。
4.找到有意义的CNN架构的速度比以前更快的算法。PSO算法比遗传算法收敛速度快。通过将其快速收敛性与搜索CNN结构的能力相结合，所提出的算法比竞争算法花费的时间更少，可以超过最新的结果。
Proposed Algorithm：
该算法由一个粒子群优化算法框架组成，包括六个步骤，用于搜索最优的CNN结构：有效的CNN表示、粒子群的初始化、单个粒子的适应度评估、测量两个粒子之间的差异，速度计算和粒子更新。这些操作将在下面的小节中详细介绍。
CNN表示：每次使用CNN进行训练、测试或评估时，都会编译一个模型，然后生成一个包含粒子中每一层细节的数组。
粒子群的初始化：FC之后只能放FC，每个粒子的层数在3-max之间。在C和P之间放FC是为了增加参数个数。因为池化和卷积会减少参数。
适应度评估：评估本身是通过比较每个粒子的损失函数来完成的，在我们的例子中是交叉熵损失。因此，该算法的目标是找到一个损失最小的粒子结构，而不考虑参数数目或其它因素。使用Adam[37]进行训练，并使用Xavier[38]初始化权重。此外，还可以在层之间添加漏失和批处理规范化，以避免过度拟合问题[39]。这是该算法的主要瓶颈，因为N个粒子中的每一个都需要在整个数据集中进行训练。
差分算子：把全联接层分离出来。对比每一个粒子的层，如果层相同，则为0，如果不同，则为第一个粒子的层。如果两个粒子的层数不同，和第一个粒子的层数保持一致。
速度计算：任何给定粒子（P）的速度都是基于相对于全局最佳（gBest）和粒子最佳（Pbest）的差异。计算（gBest - p）和（pBest - p），给定一个随机数，如果随机数<Cg，则选择（gBest - g）中的层，否则选择（pBest - p），决策因子Cg将控制更新的粒子体系结构接近gBest体系结构的速度。当（gBest - p）和（pBest - p）相等，则从（gBest），（pBest）中选择层。
参数：particle swarm optimization,CNN architecture initialization, and CNN training.
particle swarm optimization：迭代次数、群大小和计算粒子速度（Cg）时从全局最优选择层的概率。Cg参数将有效地控制群中粒子接近全局最佳粒子的速度。在我们的例子中，更高的Cg将使粒子的结构尽可能快地与全球最相似。在该算法中，较高的Cg值将降低群的多样性，从而增加陷入局部最优结构的概率。
CNN architecture initialization：控制粒子结构的初始多样性。它包含八个参数：卷积层的最小输出数，卷积层的最大输出数，全连接层的最小神经元数，全连接层的最大神经元数，卷积核的最小大小，卷积核的最大大小、最小层数和最大层数。
CNN training：控制每个粒子的训练过程。它总共包含四个参数：用于部分评估的阶段数、全局最佳阶段数、退出率和在层之间使用批处理标准化（BN）的选择。
在未来的工作中，我们将扩展所提出的粒子群神经网络，在搜索过程中使用冲突的多个目标，例如计算复杂度和分类准确度，以便找到在这些目标之间具有不同折衷的多个DNN模型。在这方面，决策者可以根据自己的需要选择使用哪种模式。我们还将开发DNN架构，算法将能够找到包括ResNets和DenseNets架构，这将进一步提高分类精度的可能解决方案。
evoCNN：
[18] H. Jin, Q. Song, X. Hu, Efficient neural architecture search with network morphism, arXiv preprint arXiv:1806.10282 (2018).
[19] Y. Sun, B. Xue, M. Zhang, G. G. Yen, Evolving Deep Convolutional Neural Networks for Image Classification, IEEE Transactions on Evolutionary Computation (2019). doi:10.1109/TEVC.2019.2916183.
[20] Y. Sun, G. G. Yen, Z. Yi, Evolving Unsupervised Deep Neural Networks for Learning Meaningful Representations, IEEE Transactions on Evolutionary Computation 23 (1) (2019) 89–103 (Feb. 2019). doi:10.1109/TEVC.2018.2808689.
VGG-16 ：使用小卷积滤波器的深层网络比浅层网络取得更好的效果
ResNet：resnet使用快捷连接「shortcut connect」（也称为跳跃或剩余连接）将层的输入连接到其输出。不计算输入和输出之间的映射，而是计算残差映射，这使得训练过程更容易。
Inception：network-in-network。神经网络的每一层都是另一个网络本身，可以用来在计算效率较高的情况下构建更深层次的网络
DenseNet：DenseNets connect the outputs of each layer to every subsequent layer resembling the connectivity pattern of fully-connected neural networks.每一层都接受它前面所有层的输出。
NeuroEvolution：早期，神经进化被专门用于更新固定神经网络结构中的权值，避免了反向传播产生的许多缺点
Topology and Weight Evolving Artificial Neural Networks (TWEANNs)：拓扑和权重进化人工神经网络。同时进化权重和体系结构。（因为进化算法中权重难以确定）
EANT：（TEWANNs的一种）EANT从简单的ANN体系结构开始，随着算法的每次迭代而变得更加复杂。它包含两个内部循环：一个是通过变异测试新架构的结构探索，另一个是使用进化策略优化权重的结构开发。
基于超立方体的增广拓扑神经进化（HyperNEAT）：) which makes use of connective Compositional Pattern Producing Networks (connective CPPNs) together with NEAT to in- directly encode neural networks. 作为特征抽取器。
粒子群优化：粒子群优化（PSO）是一种常用于离散、连续和组合优化问题的元启发式算法。它最早是由肯尼迪和埃伯哈特在2001年开发的[30]。它的灵感来源于一群鸟的飞行模式。在粒子群算法中，单个解称为粒子，所有解的集合称为群。粒子群优化算法的主要思想是，每个粒子只知道其当前的速度、其在过去实现的最佳配置（pBest）以及哪个粒子是当前群中的全局最优（gBest）。在每次迭代中，每个粒子都会调整其速度，使其新位置更接近gBest和pBest。每个物体的速度v，根据以下方程式进行更新：
式中，vi，j是第i个粒子在第j个维度中的速度，x是当前粒子位置，w是一个称为动量的常数，用于调整前一个时间步的速度对当前时间步的速度的影响程度，cp和cg是预先定义的常数，rp和rg是[0，1]中的随机数。此外，通过分别修改常数cp和cg，可以调整算法的探索和开发能力。
最后，第i个粒子在j维中的位置更新如下：
DNNs（深度神经网络）：一：前馈神经网络 如：全联接神经网络，深度卷积神经网络。前馈神经网络主要是对信息进行逐层处理，主要适用于分类和目标检测任务
二：递归神经网络 如：long short-term memory (LSTMs) [34] and gated re- current units (GRUs) 递归神经网络在层与层之间有反馈回路，可以用于依赖时间的任务，如自然语言理解。
