Klügere Abwägungen für komplexe ingenieurtechnische Entscheidungen
Alltägliche Technologien – von Stromnetzen bis zu Getrieben – müssen widersprüchliche Ziele austarieren: Kosten niedrig halten, Emissionen reduzieren und Sicherheit sowie Zuverlässigkeit gewährleisten. Dieser Artikel stellt einen neuen Algorithmus vor, der sich vom unscheinbaren Seestern inspirieren lässt und Ingenieuren hilft, diese Abwägungen effizienter zu navigieren. Indem er das Verhalten von Seesternen beim Erkunden, Jagen und beim Nachwachsen verlorener Arme nachahmt, findet die Methode viele hochwertige Kompromisslösungen gleichzeitig und bietet Entscheidungsträgern eine reichere Auswahl an Optionen statt einer einzelnen „besten“ Antwort.
Warum das Ausbalancieren vieler Ziele so schwer ist
Reale ingenieurtechnische Probleme haben selten nur ein Ziel. Beispielsweise erfordert der Betrieb eines elektrischen Versorgungssystems die Minimierung der Brennstoffkosten bei gleichzeitiger Reduktion von Emissionen, Übertragungsverlusten und Spannungsschwankungen. Die Verbesserung eines Ziels verschlechtert oft ein anderes. Statt eines einzelnen Optimums gibt es gewöhnlich eine gekrümmte Grenze gleichwertiger Lösungen, die als Pareto-Front bekannt ist: Wer sich einem Ziel annähert, entfernt sich meist von einem anderen. Eine Menge von Lösungen zu finden, die nahe an dieser Front liegt und sich gleichmäßig entlang ihr verteilt, ist rechnerisch anspruchsvoll, insbesondere wenn Systeme größer und komplexer werden.
Vom Seesternverhalten zur Suchstrategie Figure 1.
Die Autoren bauen auf einer früheren Einzielmethode namens Starfish Optimization Algorithm (Seestern-Optimierungsalgorithmus) auf, die drei natürliche Verhaltensweisen modelliert: Erkundung, indem das Tier seine Umgebung mit mehreren Armen abtastet; Beutefang, wenn es sich auf Nahrung zubewegt; und Regeneration, wenn ein Arm verloren geht und langsam nachwächst. In der algorithmischen Umsetzung repräsentiert jeder „Seestern“ einen Kandidatenentwurf oder einen Betriebspunkt. Während der Erkundung bewegen sich jeweils nur wenige Koordinaten eines Seesterns, was hilft, große Räume effizient zu durchmustern. Während der Ausbeutung bewegen sich Seesterne in zwei Richtungen um die derzeit besten Lösungen und verfeinern vielversprechende Entwürfe. Ein Regenerationsschritt verkleinert gelegentlich eine Lösung und schubst sie in eine neue Richtung, wodurch Diversität wiederhergestellt und das Entkommen aus lokalen Sackgassen erleichtert wird.
Eine Einzielsuche auf mehrere Ziele erweitern
Um diese Idee für Mehrzielprobleme tauglich zu machen, schlagen die Autoren den Multiobjective Starfish Optimization Algorithm (MOSFOA) vor. MOSFOA bettet die Seesternbewegungen in eine Rang- und Selektionsschicht ein, die aus führenden evolutionären Methoden übernommen ist. In jeder Generation werden alle Kandidatlösungen in sogenannte „Fronten“ sortiert, je nachdem, ob eine Lösung eine andere über alle Ziele hinweg klar übertrifft. Die beste Front enthält jene Lösungen, die nicht gleichzeitig in allen Zielen geschlagen werden. Innerhalb jeder Front bevorzugt eine Crowding-Distanz-Maßzahl Punkte, die gut von ihren Nachbarn getrennt sind, und verhindert so, dass der Algorithmus nur in einem Bereich der Abwägungskurve zusammenklumpt. Zusammen sorgen diese Mechanismen dafür, dass die Seesternbewegungen die Population sowohl in Richtung der Pareto-Front als auch entlang ihr treiben und so eine breite Streuung an Optionen erhalten bleibt.
Die Methode auf die Probe stellen Figure 2.
MOSFOA wurde an einer breiten Palette standardisierter mathematischer Benchmark-Probleme getestet, die verschiedene Aspekte der multiobjektiven Suche herausfordern, einschließlich Fronten, die konvex, konkav, zerteilt oder mit lokalen Fallen übersät sind. Die Autoren vergleichen ihren Algorithmus mit zehn bekannten Konkurrenzverfahren und bewerten die Leistung mit anerkannten Indikatoren, die festhalten, wie nah Lösungen an der wahren Pareto-Front liegen und wie weit sie diese abdecken. In den meisten Tests erzielt MOSFOA geringere Abstände zur idealen Abwägungskurve und ein größeres abgedecktes Volumen im Zielraum, was sowohl auf bessere Genauigkeit als auch auf reichere Diversität hinweist. Ein mathematisches Maß, das auf klassischen Optimalitätsbedingungen beruht, bestätigt zusätzlich, dass seine Lösungen sehr nahe an theoretisch besten Kompromissen liegen.
Realweltliche Wirkung: Stromnetze und Maschinenbau
Über Testfunktionen hinaus wird der Algorithmus auf anspruchsvolle ingenieurtechnische Aufgaben angewendet. Eine Versuchsreihe betrifft ein standardisiertes 30-Knoten-Stromnetz, bei dem MOSFOA Betreibern hilft, Brennstoffkosten, Emissionen, Leistungsverluste und Spannungsabweichungen unter realistischen Beschränkungen für Generatoren, Transformatoren und Netzsicherheit gemeinsam zu minimieren. Eine weitere Anwendung behandelt einen Drehzahlreduzierer – eine Getriebekomponente – bei der der Algorithmus nach Entwürfen sucht, die sowohl das Materialvolumen als auch mechanische Spannungen minimieren. In beiden Anwendungsfällen findet MOSFOA beständig hochwertige Kompromisse, die alle Sicherheitsgrenzen respektieren, und das über wiederholte Läufe hinweg zuverlässiger als konkurrierende Verfahren.
Was das für Nichtfachleute bedeutet
Praktisch betrachtet bietet diese Arbeit Ingenieuren und Planern eine verlässlichere Möglichkeit, die ganze Landschaft „guter Kompromisse“ zu sehen, statt nur eines einzelnen empfohlenen Punktes. Durch die Kombination einer einfachen biologischen Metapher mit sorgfältigen mathematischen Rang- und Diversitätskontrollen erzeugt MOSFOA Lösungsmengen, die sowohl nahezu optimal als auch gut verteilt sind, wodurch die Auswahl gemäß lokalen Prioritäten erleichtert wird – sei es günstigere Elektrizität, sauberere Luft oder langlebigere Maschinen. Die Studienergebnisse, auch in realen Energiesystemen und industriellen Entwurfsproblemen, deuten darauf hin, dass dieser seesterninspirierte Ansatz eine vielversprechende Ergänzung des Werkzeugkastens für komplexe Entscheidungsfindung ist.
Zitation: Jameel, M., Merah, H., El-latif, A.M.A. et al. Multiobjective starfish optimization algorithm for engineering design and optimal power flow problems.
Sci Rep16, 3302 (2026). https://doi.org/10.1038/s41598-026-35329-4
Schlüsselwörter: multiobjektive Optimierung, Metaheuristiken, Planung von Energiesystemen, Ingenieurentwurf, Pareto-Front
