Modulares Harris-Hawks-Optimierungsverfahren mit trendgeführter Differentialevolution und gaußscher Exploration für globale Optimierung und Ingenieursentwurf

Intelligentere Suche für bessere Entwürfe

Ob beim Entwurf leichterer Brücken oder beim Abstimmen neuronaler Netze – Ingenieurinnen, Ingenieure und Wissenschaftler stehen ständig vor Aufgaben, bei denen sie aus einer riesigen Zahl von Möglichkeiten die beste finden müssen. Traditionelles Ausprobieren oder selbst moderne Computerverfahren bleiben leicht in mittelmäßigen Lösungen "stecken", besonders wenn der Entwurfsraum sehr groß und uneben ist. Diese Studie stellt eine neue Suchmethode namens DEHHO vor, die darauf abzielt, diese schwierigen Landschaften intelligenter zu erkunden und schneller sowie zuverlässiger bessere Lösungen zu finden.

Warum das Finden der besten Option so schwer ist

Viele reale Probleme lassen sich als Landschaften denken: Jeder Punkt steht für einen anderen Entwurf, und die Höhe drückt aus, wie gut oder schlecht er ist. Diese Landschaften sind oft zerklüftet, mit zahllosen Hügeln und Tälern. Die Herausforderung besteht darin, das tiefste Tal (die beste Lösung) zu finden, ohne auf einem nahen Hügel (einer nur durchschnittlichen Lösung) stecken zu bleiben. Ein populärer Algorithmus, inspiriert vom Jagdverhalten der Harris-Hawks und HHO genannt, wurde für solche Probleme eingesetzt, weil er einfach ist und die genaue Form der Landschaft nicht kennen muss. Wenn die Zahl der Designvarianten jedoch sehr groß wird, verliert das originale HHO oft die Orientierung: Es gruppiert sich zu schnell und kreist um gute, aber nicht optimale Lösungen.

Zwei Ideen verbinden: behutsames Erkunden und zielgerichtete Bewegung

Die Autorinnen und Autoren schlagen DEHHO vor, eine modulare Anpassung von HHO, die zwei sich ergänzende Ideen verbindet. Erstens fügt DEHHO in der frühen "Explorations"-Phase gesteuertes gaußsches Rauschen – eine Art sanftes, zufälliges Zittern – zu den Positionen der Kandidatenlösungen hinzu. Anstatt blind über die gesamte Landschaft zu springen, regt dieses Zittern die Suche an, vielversprechende Regionen sorgfältig zu untersuchen und zugleich Vielfalt in der Population zu erhalten. Zweitens entlehnt DEHHO in der späteren "Exploitation"-Phase einen Mechanismus aus einer anderen erfolgreichen Methode, der Differenziellen Evolution. Hier bewegt sich jede Kandidatenlösung nicht nur in Richtung der aktuellen besten Lösung, sondern auch in eine Richtung, die durch die Unterschiede zu anderen Kandidaten und durch ihre eigene kürzliche Bewegungsgeschichte geprägt ist – eine Art Impuls. Dieser trendgeführte Schritt glättet den Weg durch die Landschaft, reduziert das Zickzack, das Zeit verschwendet und die Suche ins Stocken bringen kann.

Test auf harten mathematischen Benchmarkaufgaben

Um zu prüfen, ob sich diese Ideen auszahlen, testeten die Forschenden DEHHO an zwei anspruchsvollen Sammlungen standardisierter Testprobleme, bekannt als CEC 2017 und CEC 2020. Diese Benchmarks umfassen glatte und raue Landschaften, solche mit vielen trügerischen lokalen Tälern sowie Fälle mit komplizierten Variablenwechselwirkungen. Das Team führte DEHHO und zehn konkurrierende Algorithmen – fünf verbesserte Versionen von HHO und fünf andere bekannte Suchverfahren – auf Problemen mit 50 und 100 Entwurfsdimensionen aus, also in extrem großen Suchräumen. Bei den meisten der 39 Benchmarkfunktionen erreichte DEHHO niedrigere Fehlerwerte und tat dies konsistent über 30 unabhängige Läufe, obwohl seine Parameter festgehalten und nicht für jeden Fall einzeln angepasst wurden. Statistische Tests bestätigten, dass diese Verbesserungen höchstwahrscheinlich nicht zufällig sind.

Von Gleichungen zu realen Maschinen

Über abstrakte mathematische Probleme hinaus prüfte die Studie, wie DEHHO bei klassischen Ingenieursaufgaben abschneidet: dem Entwurf eines Drei-Stab-Fachwerks, eines geschweißten Trägers und eines Untersetzungsgetriebes. Jeder Entwurf muss strenge Sicherheits- und Leistungsanforderungen erfüllen und gleichzeitig Gewicht oder Kosten minimieren. DEHHO verwendete einen Penalty-und-Barrier-Ansatz, um Lösungen zu bevorzugen, die innerhalb zulässiger Grenzen bleiben, und zugleich an die Ränder vorzustoßen, an denen sich häufig die besten Kompromisse finden. In allen drei Fällen erreichte es entweder gleich gute oder leicht verbesserte Lösungen gegenüber den besten bekannten Ergebnissen und hielt dabei die Randbedingungen ein; zudem war es verlässlicher als die Konkurrenzalgorithmen. Das deutet darauf hin, dass die Methode nicht nur eine theoretische Spielerei ist, sondern ein praktisches Werkzeug für schwierige Ingenieursentwürfe.

Was das für Nichtfachleute bedeutet

Vereinfacht gesagt ist DEHHO wie die Kombination eines vorsichtigen Pfadfinders, der nahe Umgebung erkundet, mit einem erfahrenen Wanderer, der sich daran erinnert, welche Richtungen zuvor bergab geführt haben. Das behutsame Umherstreifen des Pfadfinders (gaußsche Exploration) verhindert, dass die Gruppe sich zu schnell auf einem schlechten Lagerplatz niederlässt, während die Orientierung des Wanderers (trendgeführte Evolution) der Gruppe hilft, effizient zum Talboden abzusteigen. Die Ergebnisse zeigen, dass diese einfache, modulare Kombination sehr große und schwierige Entwurfsräume mit besserer Genauigkeit und Stabilität durchsuchen kann als mehrere etablierte Methoden, ohne die Rechenkosten wesentlich zu erhöhen. Für alle, die Computer nutzen, um bessere Formen, Zeitpläne oder Einstellungen zu finden – sei es in der Technik, Datenwissenschaft oder anderswo – bietet DEHHO einen verlässlicheren Weg, der wahren besten Lösung näherzukommen.

Zitation: Kang, F., Su, X. Modular Harris Hawks optimization with trend-guided differential evolution and Gaussian exploration for global optimization and engineering design. Sci Rep 16, 6007 (2026). https://doi.org/10.1038/s41598-026-35565-8

Schlüsselwörter: globale Optimierung, metaheuristische Algorithmen, Harris-Hawks-Optimierung, differenzielle Evolution, Ingenieursentwurf