基于分层引导蝠鲼觅食优化的光伏模型参数估计与全局连续优化问题研究

本文推荐研究人员针对传统蝠鲼觅食优化算法(MRFO)易陷入局部最优、探索与开发失衡的问题，提出分层引导蝠鲼觅食优化算法(HGMRFO)。通过自适应翻转因子和分层引导机制，在CEC2017基准函数上实现73.15%的平均胜率，并在光伏模型参数估计中取得97.62%的成功率，为可再生能源领域提供了高效优化工具。

　　

在复杂工程优化领域，传统元启发式算法常面临"早熟收敛"和"探索-开发失衡"两大难题。以蝠鲼觅食优化(MRFO)为例，其固定翻转参数S和单一最优个体引导机制限制了算法性能，尤其在光伏(PV)系统参数估计等高维非线性问题中表现欠佳。这些问题严重制约了可再生能源技术的优化效率，亟需创新性解决方案。

江苏农牧科技职业学院联合日本富山大学的研究团队在《Scientific Reports》发表研究，提出分层引导蝠鲼觅食优化算法(HGMRFO)。该研究通过三个关键技术实现突破：(1)采用自适应翻转因子动态平衡搜索过程；(2)构建包含种群层、个体最优层、档案层和秩选择层的四层引导结构；(3)在IEEE CEC2017基准函数和光伏模型参数估计中进行系统验证。

方法创新

研究首先通过数学建模替换固定参数S为自适应翻转因子(S=2×arctan(|f_best-f_global|))，实现动态调整。随后设计分层引导机制，将种群划分为四个功能层：种群层保持基础搜索，个体最优层(P_rate=rand[0.02,0.2])引导局部开发，档案层(A_rate=3.5)保存淘汰个体维持多样性，秩选择层按适应度分配选择压力。

性能验证

在29个CEC2017基准函数测试中，HGMRFO在30维问题上以21/28/0的W/T/L显著优于原始MRFO，收敛曲线显示其能快速逃离局部最优。对6种光伏模型(包括SDM、DDM和TDM)的参数估计实验中，HGMRFO在R.T.C. France硅太阳能细胞数据上取得1.263E-02的平均误差，较传统MRFO提升34.7%。

工程应用

研究团队将算法应用于Photowatt-PWP201等实际光伏组件，在45°C工况下实现9.136E-02的电流-电压曲线拟合精度。箱线图分析显示，HGMRFO在STP6-120/36组件上的误差中位数比灰狼优化器(GWO)降低44.3%，证实其工程实用性。

这项研究的意义在于：首先，分层引导机制为群体智能算法设计提供了新范式；其次，自适应参数策略解决了元启发式算法参数调优难题；最后，在光伏领域的成功应用验证了算法在清洁能源技术中的实用价值。未来研究可进一步探索该框架在蛋白质结构预测等生物计算领域的拓展应用。