一种基于引导学习策略改进的Adam梯度下降优化算法

导读针对原始Adam梯度下降优化算法在复杂多峰及高维优化问题中易陷入局部最优、全局探索与局部开发难以有效平衡的局限文章提出了一种基于引导学习策略(GLS)改进的Adam梯度下降优化算法(GAGDO)。该算法在AGDO的渐进梯度动量积分与动态梯度交互框架基础上引入GLS的反馈–引导机制通过周期性评估种群分布的标准差动态自适应地调节探索与开发行为有效克服早熟收敛增强跳出局部最优的能力。为验证算法性能在CEC2022基准测试集与压力容器设计问题上开展仿真实验。结果表明GAGDO在收敛速度、寻优精度及鲁棒性方面均优于原始AGDO及GWO、DBO作者信息曾钰清, 郭 权, 徐紫玉赣南科技学院智能制造与材料工程学院江西 赣州论文详情AGDO 算法核心工作原理旨在突破传统进化范式的局限通过将数学梯度特性与随机搜索过程相融合在解空间的全局探索与局部开发之间实现高效平衡。AGDO 的运行框架主要由四个部分构成初始化、渐进梯度动量积分、动态梯度交互系统以及系统优化算子。GLS 主要由两个阶段构成反馈阶段与引导阶段。策略的执行流程由两个关键参数控制1) Cmax 该参数的取值大小直接影响引导的频率和时长Cmax 越大引导次数越少单次引导时间 越长Cmax 越小引导次数越多单次引导时间越短。2) α 引导选择阈值用于决定当前应执行探索还是开发引导。反馈–引导机制流程图如图 1 所示为全面评估改进算法的寻优性能本文选用 CEC2022 基准测试集开展仿真实验。该集合涵盖单峰 (F1)、基础(F2~F5)、混合(F6~F8)及组合(F9~F12)共四类 12 个不同特征的函数(见表 1)旨在通过模拟多样的复杂优化环境客观评价算法在实际工程应用中的鲁棒性与综合求解精度。在 12 个基准测试函数下6 种算法的平均收敛曲线对比如图 2 所示图示结果表明GAGDO 在所有类别函数上均表现出更优的综合性能。GAGDO 凭借引导学习策略的有效嵌入实现了在多类型、多难度测试函数上的一致性 优异表现其多维度的综合性能显著优于其他参与对比的优化算法。本文将 GAGDO 算法应用于压力容器设计问题通过引入 DBO、PSO、GWO、SSA 及基准算法 AGDO 作为对比对象从多维度验证其在复杂搜索空间中的优化性能。压力容器设计结构图如图 4 所示制造成本的函数构建综合考虑了材料费用、焊接成本以及封头成型的加工开支。表 2 展现了 GAGDO 算法显著的综合优势。针对原始 AGDO 算法在处理复杂优化问题时易陷入局部最优、高维探索与开发易失衡等局限性本文提出了一种基于引导学习策略(GLS)改进的 Adam 梯度下降优化算法(GAGDO)。主要研究可归纳为以 下几点1) GAGDO 算法在 AGDO 原有的渐进梯度动量整合、动态梯度交互等框架基础上引入了 GLS 策略。该机制通过周期性计算种群的空间离散程度能够精准诊断算法所处的搜索状态从而动态调节全局探索与局部开发行为有效克服了算法早熟收敛的缺陷。2) 在涵盖单峰、基础、混合及组合特征的 12 个 CEC2022 基准测试函数中GAGDO 算法展现出了卓越的性能。3) 在高度非线性且约束复杂的压力容器设计工程设计问题中GAGDO 算法展现了极高的经济实用价值与鲁棒性。基金项目江西省教育厅科学技术研究项目基于多智能体的智慧路灯微电网群协同优化调度研究(GJJ2203620)原文链接https://doi.org/10.12677/csa.2026.165185