Algorithme d’optimisation multiobjectif inspiré de l’étoile de mer pour la conception en ingénierie et les problèmes d’écoulement optimal de puissance

Des compromis plus intelligents pour les décisions d’ingénierie complexes

Les technologies quotidiennes — des réseaux électriques aux boîtes de vitesses — doivent concilier des objectifs contradictoires : réduire les coûts, limiter la pollution et rester sûres et fiables. Cet article présente un nouvel algorithme, inspiré par la modeste étoile de mer, qui aide les ingénieurs à naviguer ces compromis de façon plus efficace. En imitant la manière dont l’étoile de mer explore son environnement, chasse et régénère ses bras, la méthode trouve simultanément de nombreuses solutions de compromis de haute qualité, offrant aux décideurs un éventail d’options plus riche qu’une unique « meilleure » réponse.

Pourquoi il est si difficile d’équilibrer plusieurs objectifs

Les problèmes d’ingénierie réels ont rarement un seul objectif. Par exemple, l’exploitation d’un système électrique vise à minimiser les coûts de combustible tout en réduisant les émissions, les pertes dans les lignes de transmission et l’instabilité de tension. Améliorer une cible aggrave souvent une autre. Au lieu d’un optimum unique, il existe généralement une frontière courbe de choix également raisonnables, connue sous le nom de front de Pareto : se rapprocher d’un objectif revient à s’éloigner d’un autre. Trouver un ensemble de solutions qui se situe près de cette frontière et qui s’y répartit de façon homogène est coûteux en calcul, surtout à mesure que les systèmes deviennent plus grands et plus complexes.

Du comportement des étoiles de mer à une stratégie de recherche

Les auteurs s’appuient sur une méthode antérieure à objectif unique appelée Starfish Optimization Algorithm, qui modélise trois comportements naturels : l’exploration lorsque l’animal scrute son environnement avec plusieurs bras, la prédation lorsqu’il se concentre sur une proie, et la régénération lorsqu’un bras est perdu puis repousse lentement. Dans la version algorithmique, chaque « étoile de mer » représente une conception candidate ou un point de fonctionnement. Pendant l’exploration, seules quelques coordonnées de chaque étoile de mer se déplacent à la fois, ce qui aide à balayer efficacement de grands espaces. Lors de l’exploitation, les étoiles de mer se déplacent dans deux directions autour des meilleures solutions actuelles, affinant les conceptions prometteuses. Une étape de régénération réduit parfois une solution puis la pousse dans une nouvelle direction, restaurant la diversité et aidant à échapper aux impasses locales.

Transformer un seul objectif en plusieurs

Pour adapter cette idée aux problèmes multi‑objectif, les auteurs proposent l’algorithme Multiobjective Starfish Optimization Algorithm (MOSFOA). MOSFOA enveloppe les mouvements des étoiles de mer dans une couche de classement et de sélection empruntée aux principales méthodes évolutives. À chaque génération, toutes les solutions candidates sont triées en « fronts » selon qu’une solution domine clairement une autre sur tous les objectifs. Le meilleur front contient celles qui ne sont pas battues sur tous les objectifs simultanément. Au sein de chaque front, une mesure de distance de foule favorise les points bien séparés de leurs voisins, empêchant l’algorithme de se concentrer dans une seule région de la courbe de compromis. Ensemble, ces mécanismes garantissent que les déplacements des étoiles de mer poussent la population à la fois vers le front de Pareto et le long de celui‑ci, préservant une large diversité d’options.

Mettre la méthode à l’épreuve

MOSFOA est testé sur une large batterie de bancs d’essai mathématiques standard conçus pour solliciter différents aspects de la recherche multi‑objectif, incluant des fronts convexes, concaves, fragmentés ou parsemés de pièges locaux. Les auteurs comparent leur algorithme à dix concurrents bien connus et évaluent les performances à l’aide d’indicateurs établis qui mesurent la proximité des solutions par rapport au véritable front de Pareto et l’étendue de leur couverture. Sur la plupart des tests, MOSFOA obtient des distances plus faibles à la courbe de compromis idéale et un volume couvert plus grand dans l’espace des objectifs, signe à la fois d’une meilleure précision et d’une diversité accrue. Une mesure mathématique basée sur des conditions d’optimalité classiques confirme en outre que ses solutions se situent très près des compromis théoriquement optimaux.

Impact réel : réseaux électriques et conception mécanique

Au‑delà des fonctions tests, l’algorithme est appliqué à des tâches d’ingénierie exigeantes. Un ensemble d’essais concerne un réseau électrique standard à 30 nœuds, où MOSFOA aide les opérateurs à minimiser conjointement les coûts de combustible, les émissions, les pertes d’énergie et les écarts de tension sous des contraintes réalistes sur les générateurs, les transformateurs et la sécurité du réseau. Une autre application porte sur un réducteur de vitesse — un composant de boîte de vitesses — où l’algorithme recherche des conceptions minimisant à la fois le volume de matériau et les contraintes mécaniques. Dans les deux cas, MOSFOA trouve de façon constante des compromis de haute qualité qui respectent toutes les limites de sécurité, et ce de manière plus fiable sur des exécutions répétées que les techniques concurrentes.

Ce que cela signifie pour les non‑spécialistes

Concrètement, ce travail offre aux ingénieurs et aux planificateurs une manière plus fiable d’appréhender l’ensemble des « bons compromis » plutôt qu’un unique point recommandé. En combinant une métaphore biologique simple avec un classement mathématique rigoureux et des contrôles de diversité, MOSFOA produit des ensembles de solutions à la fois proches de l’optimal et bien répartis, ce qui facilite le choix en fonction des priorités locales — qu’il s’agisse d’électricité moins chère, d’un air plus propre ou de machines plus durables. Les résultats de l’étude, y compris sur des systèmes électriques réels et des problèmes de conception industrielle, suggèrent que cette approche inspirée des étoiles de mer est un ajout prometteur à la boîte à outils pour la prise de décisions complexes.

Citation: Jameel, M., Merah, H., El-latif, A.M.A. et al. Multiobjective starfish optimization algorithm for engineering design and optimal power flow problems. Sci Rep 16, 3302 (2026). https://doi.org/10.1038/s41598-026-35329-4

Mots-clés: optimisation multi‑objectif, méta‑heuristiques, planification des systèmes électriques, conception en ingénierie, front de Pareto