Optimisation modulaire Harris Hawks avec évolution différentielle guidée par la tendance et exploration gaussienne pour l’optimisation globale et la conception en ingénierie

Une recherche plus intelligente pour de meilleurs designs

Qu’il s’agisse de concevoir des ponts plus légers ou d’ajuster des réseaux neuronaux, ingénieurs et scientifiques doivent sans cesse trier d’énormes ensembles de possibilités pour trouver la meilleure. Les méthodes traditionnelles par essais-erreurs ou même des algorithmes informatiques modernes peuvent facilement rester « coincés » sur des solutions médiocres, surtout lorsque l’espace de conception est vaste et accidenté. Cette étude présente une nouvelle méthode de recherche appelée DEHHO, qui vise à explorer ces paysages difficiles de manière plus intelligente, afin de trouver de meilleures solutions plus rapidement et de façon plus fiable.

Pourquoi il est si difficile de trouver la meilleure option

Beaucoup de problèmes réels peuvent se représenter comme des paysages : chaque point correspond à un design et l’altitude indique sa qualité. Ces paysages sont souvent rugueux, avec d’innombrables crêtes et vallées. Le défi est de localiser la vallée la plus basse (le meilleur design) sans se faire piéger sur une crête voisine (une solution seulement acceptable). Un algorithme populaire inspiré du comportement de chasse des Harris hawks, appelé HHO, a été utilisé pour ce type de problèmes car il est simple et ne nécessite pas de connaître la forme exacte du paysage. Cependant, quand le nombre de choix de conception devient très grand, le HHO d’origine tend à perdre le cap, à se regrouper trop rapidement et à tourner autour de solutions bonnes mais non optimales.

Mélanger deux idées : errance prudente et mouvement guidé

Les auteurs proposent DEHHO, une modification modulaire du HHO qui combine deux idées complémentaires. D’abord, durant la phase initiale d’« exploration », DEHHO ajoute un bruit gaussien contrôlé — une sorte de léger tremblement aléatoire — aux positions des solutions candidates. Plutôt que de sauter aveuglément à travers tout le paysage, ce jitter incite la recherche à examiner attentivement les régions prometteuses tout en maintenant la diversité au sein de la population. Ensuite, pendant la phase ultérieure d’« exploitation », DEHHO emprunte un mécanisme à une autre méthode performante, l’Évolution Différentielle. Ici, chaque solution candidate se déplace non seulement vers la meilleure actuelle, mais aussi dans une direction façonnée par les différences entre autres candidats et par son historique récent de mouvement, une sorte de momentum. Cette étape guidée par la tendance lisse le trajet à travers le paysage, réduisant les zigzags qui font perdre du temps et peuvent arrêter la recherche.

Tests sur des bancs d’essai mathématiques exigeants

Pour vérifier l’intérêt de ces idées, les chercheurs ont évalué DEHHO sur deux collections exigeantes de problèmes standards connues sous les noms CEC 2017 et CEC 2020. Ces bancs comprennent des paysages lisses et rugueux, des fonctions avec de nombreux minima locaux trompeurs, et des cas où les variables interagissent de manière complexe. L’équipe a fait tourner DEHHO et dix algorithmes rivaux — cinq variantes améliorées de HHO et cinq autres méthodes bien établies — sur des problèmes à 50 et 100 dimensions de conception, ce qui rendait l’espace de recherche extrêmement vaste. Sur la plupart des 39 fonctions de référence, DEHHO a atteint des valeurs d’erreur plus faibles et l’a fait de manière cohérente sur 30 exécutions indépendantes, alors que ses paramètres étaient maintenus fixes et non ajustés pour chaque cas. Des tests statistiques ont confirmé que ces gains étaient peu susceptibles d’être dus au hasard.

Des équations aux machines réelles

Au-delà des problèmes mathématiques abstraits, l’étude a vérifié les performances de DEHHO sur des tâches d’ingénierie classiques : la conception d’une treillis à trois barres, d’une poutre soudée, et d’un mécanisme réducteur de vitesse. Chaque conception doit respecter des contraintes strictes de sécurité et de performance tout en minimisant le poids ou le coût. DEHHO a utilisé une astuce de pénalisation et de barrière pour favoriser les designs qui restent dans les limites autorisées tout en poussant vers les bords où se trouvent souvent les meilleurs compromis. Dans les trois cas, il a égalé ou légèrement amélioré les meilleures solutions connues tout en respectant les contraintes, et l’a fait plus régulièrement que les algorithmes concurrents. Cela suggère que la méthode n’est pas seulement une curiosité théorique, mais un outil pratique pour la conception d’ingénierie difficile.

Ce que cela signifie pour les non-spécialistes

En termes simples, DEHHO combine l’attitude d’un éclaireur prudent qui explore le terrain alentour avec celle d’un randonneur expérimenté qui se souvient des directions ayant déjà mené en descente. L’errance prudente de l’éclaireur (exploration gaussienne) empêche le groupe de s’installer trop vite sur un mauvais emplacement, tandis que le sens de l’orientation du randonneur (évolution guidée par la tendance) aide le groupe à descendre efficacement vers le fond de la vallée. Les résultats montrent que cette combinaison simple et modulaire peut explorer des espaces de conception très vastes et difficiles avec une meilleure précision et une plus grande stabilité que plusieurs méthodes établies, sans augmentation significative du coût de calcul. Pour quiconque utilise des ordinateurs pour trouver de meilleures formes, calendriers ou réglages — en ingénierie, science des données ou ailleurs — DEHHO offre une manière plus fiable de se rapprocher de la véritable meilleure solution.

Citation: 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

Mots-clés: optimisation globale, algorithmes métaheuristiques, Harris Hawks optimization, évolution différentielle, conception en ingénierie