Optimiseur guidé par le hasard : une métaheuristique qui transforme la recherche aléatoire en recherche guidée par l'itération

Cette étude propose une nouvelle métaheuristique basée sur les essaims : l'optimiseur guidé par le hasard (RGO). Le RGO possède des mécanismes novateurs pour transformer le mouvement aléatoire en une stratégie de mouvement guidé durant l'itération. Dans le RGO, l'itération est divisée en trois phases de taille égale. Dans la première phase, l'unité se déplace aléatoirement dans l'espace de recherche pour aborder le problème d'optimum local plus tôt. Dans la deuxième phase, chaque unité utilise une unité sélectionnée au hasard parmi la population comme référence pour réaliser le mouvement guidé. Dans la troisième phase, chaque unité effectue un mouvement guidé vers ou dépasse la meilleure unité. Grâce à la simulation, le RGO trouve avec succès la solution acceptable pour 23 fonctions de référence. De plus, le RGO trouve avec succès la solution optimale globale pour quatre fonctions : Branin, Goldstein-Price, Six Hump Camel et Schwefel 2.22. Le RGO surpasse également l'algorithme de moisissure (SMA), l'algorithme d'optimisation des pélicans (POA), l'optimiseur de recherche dorée (GSO) et l'optimiseur de faucon de Goshawk (NGO) dans la résolution de 12, 20, 12 et 1 fonction consécutivement. À l'avenir, des améliorations peuvent être apportées en transformant le RGO en une stratégie solide à multiples phases sans perdre son identité en tant que métaheuristique avec plusieurs stratégies à chaque itération.