近日，以三亚学院为第一署名单位的研究论文《A Novel Parallel Snake Optimizer with LLMEnhanced CrossPopulation Communication for KELM Hyperparameter Optimization and Applied in Power Load Forecasting》于 SCI一区期刊《IEEE Transactions on Industry Applications》刊发，信息与智能工程学院 2024级电子信息研究生刘高源为论文共同第一作者。该研究针对电力负荷预测的模型参数优化难题，将大语言模型与并行智能优化算法相结合，借助智能决策动态调控种群信息交互，提升参数寻优与负荷预测效果，为大模型赋能智慧电网研究提供了新思路。
电力负荷受天气、人类活动、社会环境多重因素影响，呈现出非平稳、强波动特征，对预测模型的精度、稳定性与计算效率提出较高要求。同一预测模型，参数选取的差异会直接改变最终预测结果，如何实现高效参数寻优，成为亟待破解的现实问题。
在刘高源同学看来，科研选题应当立足实际痛点，优先研判问题本身的研究价值，而非单纯追求算法形式上的创新。只有厘清现实困境，后续技术路线才能够清晰明确。这种从真实需求中提炼科学问题的研究思路，也为他参与 “灵犀智感” 项目制课题打下了良好基础。
研究过程中，团队遇到的核心难点在于并行优化下多子种群的协同协作问题。传统固定通信策略无法适配算法搜索过程中的动态变化，难以兼顾全局探索与局部深度挖掘。为此，团队提出大语言模型增强的并行蛇优化算法（LLMParallel SO），构建十种跨种群通信策略库，把迭代进度、种群适应度、种群多样性等状态信息输入大语言模型，由大模型智能选择通信策略，以此改善算法寻优性能，并将该算法用于核极限学习机的参数优化。
为验证所提算法的有效性，研究设置多组消融对照实验。在 CEC2022基准测试函数测试中，该算法在 12项测试中 9项取得最优或并列最优结果。基于 GEFCom2012电力负荷数据集开展实测，对比原始蛇优化算法调参的 KELM模型，新算法的平均绝对误差下降 20.37%，均方根误差下降 20.03%，充分验证了方法的实际应用价值。
一篇高质量论文的完成，是选题辨析、方法设计、对比实验、论文撰写多环节闭环的结果，持续锻炼研究者发现、分析与解决问题的综合能力。刘高源同学表示，科研成长离不开导师的悉心指引，导师不仅指导研究方向与技术路径，更着重培养科研思维。他建议低年级研究生不必一味追求宏大课题，要立足具体问题，深耕文献、做实实验、严谨论证，脚踏实地走好科研每一步。
《IEEE Transactions on Industry Applications》（IEEE TIA）是IEEE工业应用学会旗下旗舰期刊，聚焦电气与电子工程领域的理论创新与工业应用。该期刊最新影响因子为5.2，位列JCR Q1区，在电气与电子工程领域具有广泛的国际影响力。
一审一校 |刘高源
二审二校 |王景泽
三审三校 |李成名 尹 娜
