LPBSA : Amélioration de l'efficacité d'optimisation grâce au comportement basé sur la performance des apprenants et au recuit simulé

Résumé Cette étude présente le LPBSA, un algorithme d'optimisation avancé qui combine le Comportement basé sur la Performance des Apprenants (LPB) et le Recuit Simulé (SA) dans une approche hybride. En mettant l'accent sur les métaheuristiques, le LPBSA aborde et atténue les défis associés aux méthodologies LPB traditionnelles, améliorant la convergence, la robustesse et l'adaptabilité dans la résolution de problèmes d'optimisation complexes. À travers des évaluations approfondies utilisant des fonctions de tests de référence, le LPBSA démontre des performances supérieures par rapport au LPB et concurrence favorablement avec des algorithmes établis tels que PSO, FDO, LEO et GA. Les applications du monde réel soulignent la promesse de l'algorithme, le LPBSA surpassant l'algorithme LEO dans deux scénarios testés. Sur la base des résultats de l'étude, de nombreux résultats de fonctions de test tels que TF5 enregistrement (4.76762333) et certaines autres fonctions de test fournies dans la section des résultats prouvent que le LPBSA dépasse les algorithmes populaires. Cette recherche met en évidence l'efficacité d'une approche hybride dans l'évolution continue des algorithmes d'optimisation, montrant la capacité du LPBSA à naviguer dans divers paysages d'optimisation et à contribuer de manière significative à la résolution de défis complexes en matière d'optimisation.