L'optimiseur de coléoptère (DBO) est un algorithme métaheuristique doté d'une convergence rapide et d'une grande capacité d'optimisation, et affiche d'excellentes performances dans la résolution de divers problèmes d'optimisation. Cependant, cet algorithme rencontre des problèmes de convergence vers un optimum local et de faible précision dans les situations d'optimisation complexes et de grande envergure. Pour remédier à cela, un optimiseur de coléoptère adaptatif basé sur un mécanisme de recuit élastique (ADBO) est proposé. Tout d'abord, le facteur de convergence est ajusté de manière non linéaire pour équilibrer les besoins d'exploration globale et de développement local, permettant ainsi d'améliorer la vitesse de convergence et la qualité de la recherche ; ensuite, une stratégie d'optimisation par différenciation gourmande est introduite pour renforcer la diversité de la population, améliorer la capacité de recherche globale et éviter une convergence prématurée ; enfin, un mécanisme de recuit élastique est utilisé pour perturber les individus sélectionnés au hasard, permettant ainsi de sortir d'un optimum local, d'améliorer la qualité de la solution et la stabilité de l'algorithme. Les résultats expérimentaux sur les ensembles de fonctions de base CEC 2017, CEC 2022 et les circuits de test base MCNC ont confirmé l'efficacité, la supériorité et l'universalité d'ADBO.

Metaheuristic algorithm;Dung beetle optimizer;Convergence factor;Greedy difference optimization strategy;Elastic annealing mechanism