综述：关于龙格-库塔优化器的全面调查

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Comprehensive Survey on Runge Kutta Optimizer

Runge Kutta优化算法（RUN）基于变坡搜索机制实现高效全局优化，2021年推出后因改进版本占比77%、混合策略14%及跨领域应用（电力控制45%、机器学习25%、图像处理）成为竞争激烈的MA领域突出代表，实验验证其在病理图像分割中准确率92%、执行时间第三低。

　　

摘要

Runge Kutta 优化器（RUN）是一种基于数学的元启发式算法（MA），它利用 Runge Kutta（RK）技术计算出的斜率变化原理作为全局优化的有效且合理的搜索机制。RUN 于 2021 年开发出来，并因其出色的效率和多功能性迅速在学术界获得了认可。该算法在收敛操作中速度更快、更准确，整体上解决问题的能力更强，因此成为现有元启发式算法的有力竞争者。本研究全面概述了 RUN，分析了自 2021 年以来发表在多篇研究论文中的不同版本和变体，其中 94% 的论文发表在知名同行评审期刊上，6% 发表在国际会议论文集中。RUN 的变体包括：77% 的改进版本、14% 的混合版本、3% 的二进制版本以及 3% 的多目标版本。此外，RUN 在多个领域中的应用展示了其有效性和多功能性，分别在电力与控制工程领域占 45%、机器学习领域占 25%、基准函数和工程设计挑战领域占 21%、特征选择领域占 5%。该算法还被广泛应用于图像处理和云计算领域。本文旨在对 RUN 进行全面综述，探讨其理论框架、分析方法、改进策略以及在众多优化领域的实际应用。同时，我们还评估了 RUN 在数字病理图像分割中的分组聚类性能，以证明其效率。实验结果表明，基于 RUN 的聚类模型在参考标准和基于真实值的质量指标方面，比其他五种测试的基于元启发式算法的聚类模型产生了更好的分割结果。该模型实现了超过 92% 的分割精度，并且执行时间位居第三短。