L'optimiseur de cafards (DBO) est un algorithme métaheuristique doté d'une convergence rapide et d'une puissante capacité d'optimisation, offrant des performances excellentes dans la résolution de divers problèmes d'optimisation. Cependant, cet algorithme rencontre des difficultés à atteindre un optimum local et une faible précision de convergence lors de la résolution de problèmes d'optimisation de grande envergure et complexes. Pour résoudre ce problème, un optimiseur de cafards adaptatif basé sur un mécanisme de recuit élastique (ADBO) a été proposé. Tout d'abord, le facteur de convergence a été ajusté de manière non linéaire pour équilibrer les besoins d'exploration globale et de développement local, améliorant ainsi la vitesse de convergence et la qualité de la recherche ; ensuite, une stratégie d'optimisation par différences cupides a été 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 a été utilisé pour perturber les individus sélectionnés au hasard, facilitant ainsi l'évasion de l'optimum local, améliorant la qualité de la solution et la stabilité de l'algorithme. Les résultats des expériences avec les ensembles de fonctions CEC 2017, CEC 2022 et les circuits de test MCNC ont confirmé l'efficacité, la supériorité et l'universalité de l'ADBO.

algorithme métaheuristique; optimiseur de cafards; facteur de convergence; stratégie d'optimisation par différences cupides; mécanisme de recuit élastique