Un algorithme d’optimisation par baleines géométrique avec vol triangulaire pour l’optimisation numérique et la conception d’ingénierie

Une recherche plus intelligente pour de meilleurs designs

Des pièces de voiture plus légères aux conduites d’énergie moins coûteuses, l’ingénierie moderne repose sur le choix du meilleur design possible parmi d’innombrables options. Mais tester exhaustivement chaque combinaison est impossible. Cet article présente une nouvelle méthode de recherche informatisée, inspirée du comportement de chasse des baleines et de motifs géométriques, qui permet de cibler rapidement d’excellents designs pour des systèmes d’ingénierie complexes.

Pourquoi trouver le « meilleur » design est si difficile

De nombreux problèmes de conception réels — des ressorts et poutres aux compresseurs de gaz et réseaux de réacteurs — ressemblent à des paysages parsemés de collines et de vallées. Chaque point représente un design précis ; la hauteur indique sa qualité. Les méthodes traditionnelles qui suivent la pente locale peuvent facilement se coincer sur une colline voisine plutôt que de trouver le sommet global. Les algorithmes métaheuristiques ont été conçus pour régler ce problème : au lieu d’avancer en ligne droite, ils mobilisent un « essaim » de solutions candidates qui explorent le paysage ensemble, cherchent de meilleures options et partagent l’information.

Comment fonctionne la recherche inspirée des baleines

L’algorithme d’optimisation par baleines modélise la façon dont les baleines à bosse encerclent et spiralisent autour de leur proie dans l’océan. Chaque baleine virtuelle est un design candidat ; en se déplaçant, la baleine la mieux performante joue le rôle de leader et les autres ajustent leurs positions pour se concentrer sur des régions prometteuses. Cette approche originale est simple et flexible, mais pour des problèmes difficiles elle peut perdre en diversité, se rassembler trop vite autour d’une solution médiocre et cesser de s’améliorer. Les auteurs analysent ces faiblesses — mauvais points de départ, errance sans direction et règles de mouvement trop rigides — et cherchent à les corriger sans alourdir ni ralentir la méthode.

Astuces géométriques pour une meilleure recherche

La nouvelle méthode, appelée algorithme d’optimisation par baleines géométrique avec vol triangulaire (ESTGWOA), redéfinit la façon dont les baleines se répartissent et se déplacent. D’abord, elle utilise un Ensemble de Bons Nœuds pour placer les baleines initiales selon un motif géométrique très régulier, de sorte que la recherche couvre tout l’espace au lieu de s’agglutiner aléatoirement. Ensuite, une étape de Recherche Guidée par l’Élite oriente les baleines en utilisant à la fois le meilleur design actuel et la position moyenne de la population, produisant des déplacements qui sont volontaires sans obéir aveuglément au leader. Deux nouveaux schémas de mouvement imitent des manœuvres courbes et gracieuses : un mouvement « d’encerclement » basé sur une spirale qui permet d’explorer autour des zones favorables sans s’y verrouiller trop vite, et une trajectoire de chasse en spirale de style triangulaire qui ajoute une aléa maîtrisée pour échapper aux pièges locaux et affiner les solutions.

Ajouter une touche d’aléa maîtrisé

Pour éviter la stagnation fréquente en fin de recherche, les auteurs empruntent des idées à une autre technique puissante, l’évolution différentielle. Ils créent des copies « mutées » de certains designs en combinant des informations provenant de plusieurs baleines, puis ajoutent de légères perturbations gaussiennes de tailles variées. Ces mutations poussent occasionnellement la recherche hors d’une ornière vers des régions inexplorées à proximité de zones prometteuses. Parallèlement, un contrôle interne clé, appelé facteur de convergence, n’est plus réduit de façon linéaire ; il suit plutôt une courbe en S. Au début, cela encourage une large exploration, puis la transition rapide vers un réglage fin ciblé, et enfin un ralentissement pour préserver une certaine flexibilité.

Preuves de performance sur tests et conceptions réelles

L’équipe évalue l’ESTGWOA sur 23 fonctions tests mathématiques standard qui incluent des cuvettes lisses, des paysages rugueux avec de nombreux maxima locaux et des formes mixtes complexes. Sur des dimensions modérées et élevées (30, 50 et 100 variables), le nouvel algorithme surpasse plusieurs rivaux bien connus, y compris des variantes antérieures inspirées des baleines et d’autres méthodes inspirées du règne animal ou de la physique. Il atteint en moyenne de meilleures solutions, avec moins de dispersion entre les exécutions, et des tests statistiques confirment que les améliorations ne sont pas dues au hasard. Les auteurs abordent ensuite sept problèmes classiques de conception d’ingénierie, tels que embrayages multi-disques, compresseurs de transmission de gaz, ressorts, poutres, treillis et leviers. Dans presque tous les cas, l’ESTGWOA trouve des designs plus légers ou moins coûteux tout en respectant les limites de sécurité et de performance.

Ce que cela signifie pour la technologie courante

En termes simples, la nouvelle méthode géométrique des baleines est une manière plus intelligente pour les ordinateurs de « fouiller l’océan du design ». En se répartissant de façon homogène, en suivant des trajectoires spirales et triangulaires flexibles et en mutant occasionnellement des solutions prometteuses, elle maintient un bon équilibre entre exploration large et raffinage minutieux. Le résultat est un algorithme qui découvre de manière fiable des designs de haute qualité pour des systèmes complexes et réels sans hypothèses mathématiques supplémentaires. Pour les industries qui doivent simultanément arbitrer coût, résistance, sécurité et efficacité, de tels outils peuvent raccourcir les cycles de développement et révéler des solutions qui ne seraient pas trouvées par l’intuition seule.

Citation: Wei, J., Zhang, R., Gu, Y. et al. A Geometric Whale Optimization Algorithm with Triangular Flight for Numerical Optimization and Engineering Design. Sci Rep 16, 8526 (2026). https://doi.org/10.1038/s41598-026-37387-0

Mots-clés: optimisation métaheuristique, algorithme d’optimisation par baleines, conception d’ingénierie, optimisation numérique, intelligence en essaim