优化场受到基于隐喻的“ pseudo-novel 或" 花俏的 “优化。大多数这些cliché方法模仿动物的搜索趋势，对优化过程本身有很小的贡献。这些cliché方法大多存在局部高效性能、对简单问题的有偏见的验证方法以及组件交互之间的高度相似性等问题。本研究试图突破隐喻的陷阱，在数学领域广为人知的Runge Kutta (RK)方法的数学基础和思想基础上，引入一种新的无隐喻的基于种群的优化方法。文中提出的RUNge Kutta优化器(RUN)是为了处理未来各种类型的优化问题而开发的。RUN利用RK方法计算的斜率变化逻辑作为一种有前途的逻辑搜索机制进行全局优化。该搜索机制得益于两个积极的探索和开发阶段，即在特征空间中探索有潜力的区域，并朝着全球最佳解决方案的建设性运动。此外，采用了一种增强的解决方案质量(ESQ)机制来避免 局部最优解万博 尤文图斯 并提高收敛速度。通过与其他算法的比较，评价了RUN算法的效率 metaheuristic算法 50个数学测试函数和4个实际工程问题。该方法具有勘探开发潜力大、收敛速度快、避免局部最优等特点。在约束工程问题的优化中，无隐喻RUN算法也表现出了适合的性能。作者邀请社区对这个根深蒂固的优化器进行广泛评估，将其作为一个有前途的工具用于实际优化