自适应AdamW引导优化：一种基于学习的元启发式方法，用于解决复杂的实际工程问题

《Entropy》：Self-Adaptive AdamW-Guided Optimization: A Learning-Driven Metaheuristic for Solving Complex Real-World Engineering Problems

　　

摘要

鉴于在强耦合和黑盒环境中连续优化问题的复杂性日益增加，本研究提出了一种新颖的自适应梯度引导的元启发式算法，称为自适应AdamW引导优化（SAWG）。SAWG无需显式的梯度信息，它构建基于种群的伪梯度，并系统地整合了关键的AdamW机制，包括自适应矩估计、步长调节和权重衰减，以指导高效的种群更新。此外，还引入了一种基于停滞状态的自适应控制策略，以缓解过早收敛问题，并动态平衡探索与利用。为了评估SAWG的优化性能，在CEC2017和CEC2020基准测试集以及八个工程优化问题上进行了实验。SAWG还与其他九种典型的高性能优化器进行了比较。实验结果和统计分析表明，SAWG在大多数测试任务中取得了优异的优化性能，并在各种数值优化问题中保持了强大的适应性和竞争力。因此，SAWG可以被视为一种高性能优化器，为解决复杂的数值优化问题提供了一种新颖且有效的方法。