Adaptive Differentiated Parrot Optimization: A Multi-Strategy Enhanced Algorithm for Global Optimization with Wind Power Forecasting Applications

Guanjun Lin

doi:10.3390-biomimetics10080542

2025-08-21

PRE

DOI：10.3390-biomimetics10080542

原文链接

原文求助

摘要

En 中文

鹦鹉优化算法（PO）是一种当代自然启发的元启发式技术，其通过观察Pyrrhura Molinae鹦鹉的行为模式而建立。PO通过模仿觅食行为和社会互动，在探索和开发阶段之间实现平衡，展现出有效的优化能力。然而，在迭代进展过程中，该算法在保持种群多样性方面遇到显著障碍，并出现搜索效果下降，导致早熟收敛及在复杂优化景观中寻找最优解的能力减弱。为克服这些限制，本研究提出自适应差异化鹦鹉优化算法（ADPO），通过实施三种创新机制——均值差异变异（MDV）、基于维度学习的狩猎（DLH）和增强自适应互利（EAM）——对基准PO进行了显著改进。MDV机制通过实施双阶段变异策略强化探索能力，在初始迭代阶段促进广泛搜索，而在后期阶段靠近有前景解时推动密集开发。此外，DLH机制通过允许从空间邻居进行维度自适应学习来防止早熟收敛，在扩展搜索多样性的同时保持协调的优化行为。最后，EAM机制用基于适应度的交互和灵活参考解替代刚性合作，确保在整个优化过程中强化与多样化之间的最佳平衡。综合来看，这些机制显著提升了算法的探索、开发与收敛能力。此外，ADPO的有效性通过使用CEC2017和CEC2022套件中的基准函数进行综合评估，并与12种先进算法比较性能。结果表明，ADPO具有卓越的收敛速度、搜索效率和求解精度。ADPO还被应用于风力发电预测，通过集成长短期记忆（LSTM）网络，在真实可再生能源预测场景中较传统方法取得显著改进。具体而言，ADPO在多个评估指标上超越竞争算法，测试阶段的平均R²值达到0.9726，且预测稳定性优异。此外，ADPO在所有比较评估中获得更优的Friedman排名，数值范围为1.42至2.78，显示出对经典、当代及近期算法的明显优势。这些结果验证了所提改进的有效性，并确立了ADPO在解决复杂优化挑战方面的鲁棒性与有效性。

Keyword:

Parrot Optimization Algorithm

Adaptive Differentiated Parrot Optimization Algorithm

Exploration and Exploitation Balance

Dimension Learning-Based Hunting

Enhanced Adaptive Mutualism