割线优化算法用于高效全局优化

为难题提供更聪明的搜索

从设计更清洁的太阳能电池板到训练准确的图像识别系统，许多当今的挑战归结为同一任务：在巨大的可能性空间中搜索以找到良好解。本文介绍了割线优化算法（SOA），这是一种更高效进行该搜索的新方法。SOA 受微积分中的经典思想启发，但为处理杂乱的现实数据而设计——目标是在传统方法失效时既快速又可靠。

为什么优化需要新思路

现代工程与数据科学问题通常包含数十到数百个可调参数、多重目标以及难以用简单公式描述的复杂关系。遵循精确梯度的经典技术（如最速下降法）在目标函数地形崎岖、充满局部陷阱，或导数难以或无法计算时会失效。为此，研究人员开发了模仿自然、物理或数学原理的“元启发式”算法来探索这些困难地形。这些方法（如遗传算法或群体智能优化器）被证明用途广泛，但在广泛搜索与精确局部搜索之间仍存在权衡。

把教科书里的技巧变成搜索引擎

SOA 的核心是割线法——一种老练的数值技巧，用于在不需精确导数的情况下找到曲线的零点。割线法不是使用微积分得到的斜率，而是在曲线上两点间画一条直线并将该直线作为近似斜率。SOA 将这一思想推广到多维空间和多个候选解上。它维护一个向量种群（可能的解），并通过类似割线的步骤反复更新这些向量，这些步骤只依据函数值来近似目标函数的趋势。因而在梯度噪声大、计算代价高或不可定义的情况下（如通过验证误差来调整神经网络超参数），该方法具有吸引力。

在广泛探索与精细聚焦之间取得平衡

SOA 的设计明确区分了探索与精化两种行为。在探索阶段，每个候选解按基于割线的规则进行调整，该规则结合了当前最优解、当前向量以及随机选取的同伴的信息。这有助于将搜索引向看起来有希望的方向，而非纯粹随机。在开发（利用）阶段，SOA 引入了“扩展因子”和受控随机性。它将解推向群体中的最优、平均、最近乃至最远点，并混入随机游走。一个简单的变异规则会偶尔保留旧位置而不是采用新位置，从而保持多样性。整体上，这些机制帮助 SOA 在逃离局部陷阱的同时仍能收敛到高质量解。

在基准和真实设备上的测试

为检验 SOA 是否不仅仅是纸上的巧思，作者在广泛使用的基准系列 CEC2021 和 CEC2020 上进行了测试。这些函数设计来非常具有挑战性：有些维度较低但充满误导性极小值；另一些则扩展到 50 或 100 维。在这些测试中，SOA 与两组竞争算法进行了比较，包括 11 种数学启发的方法和 9 种近期或变体优化器。通过平均误差、变异性、收敛曲线和基于秩的统计检验等指标，SOA 在许多情况下稳定地与大多数对手持平或超越，尤其在快速且可靠地达到良好解方面表现突出。随后作者将研究从合成测试拓展到两个苛刻的真实任务：光伏（PV）模型关键参数估计和卷积神经网络若干图像数据集的超参数自动调优。

从太阳能电池到神经网络

在太阳能领域，准确的光伏电池与组件模型对于预测输出和优化运行至关重要。团队将 SOA 应用于若干标准 PV 模型，包括单二极管、双二极管和完整模块描述。使用实测的电流-电压数据，SOA 调整模型参数以最小化误差，并在均方根误差方面显示出比多种已知优化器更低或相当的表现。在机器学习实验中，SOA 被用于在 MNIST 及相关图像数据集上调优卷积神经网络的架构与训练设置。在这些任务中，该算法同样找到的超参数组合在分类准确率上与其他自动化搜索策略相比具有竞争力或更优。

实践中的意义

对于非专业读者，主要结论是：SOA 为那些地形崎岖且无法获得梯度的困难优化问题提供了一个实用的新“搜索引擎”。通过借用割线法的几何思想并将其嵌入到一个具有良好平衡随机性的种群搜索框架中，该算法通常比许多现有替代方法更快、更准确地收敛。由于其相对简单、无导数需求且调参负担轻，SOA 可以应用于多种场景——从设计更高效的太阳能发电系统到配置深度学习模型——对工程师和数据科学家而言，是一个有前景的工具补充。

引用: Ibrahim, M.Q., Qaraad, M., Hussein, N.K. et al. Secant Optimization Algorithm for efficient global optimization. Sci Rep 16, 6659 (2026). https://doi.org/10.1038/s41598-026-36691-z

关键词: 全局优化, 元启发式算法, 割线优化算法, 光伏建模, 超参数调优