Algoritmo di ottimizzazione multiobiettivo ispirato alla stella marina per la progettazione ingegneristica e i problemi di flusso di potenza ottimale

Compromessi più intelligenti per decisioni ingegneristiche complesse

Le tecnologie di uso quotidiano — dalle reti elettriche alle scatole del cambio — devono bilanciare obiettivi in conflitto: contenere i costi, ridurre l’inquinamento e mantenere sicurezza e affidabilità. Questo articolo presenta un nuovo algoritmo, ispirato alla modesta stella marina, che aiuta gli ingegneri a orientarsi in questi compromessi in modo più efficiente. Imitando il modo in cui le stelle marine esplorano l’ambiente, cacciano e rigenerano gli arti perduti, il metodo individua contemporaneamente molte soluzioni di compromesso di alta qualità, offrendo ai decisori un ventaglio di opzioni più ricco invece di una singola «migliore» risposta.

Perché è così difficile bilanciare tanti obiettivi

I problemi ingegneristici reali raramente hanno un unico obiettivo. Per esempio, gestire un sistema elettrico richiede di minimizzare i costi del combustibile, ridurre le emissioni, le perdite nelle linee di trasmissione e l’instabilità di tensione. Migliorare un fattore spesso peggiora un altro. Invece di un unico ottimo, di solito esiste una frontiera curva di scelte tutte ragionevoli, nota come fronte di Pareto, in cui avvicinarsi a un obiettivo significa allontanarsi da un altro. Trovare un insieme di soluzioni che sia vicino a questa frontiera e ben distribuito lungo di essa è computazionalmente impegnativo, soprattutto quando i sistemi crescono in dimensione e complessità.

Dalle abitudini della stella marina alla strategia di ricerca

Gli autori si basano su un metodo precedente a obiettivo singolo chiamato Starfish Optimization Algorithm, che modella tre comportamenti naturali: esplorazione mentre l’animale scandaglia l’intorno con i suoi bracci, predazione mentre si dirige verso il cibo, e rigenerazione quando un braccio viene perso e ricresce gradualmente. Nella versione algoritmica, ogni «stella marina» rappresenta un progetto candidato o un punto di funzionamento. Durante l’esplorazione, solo poche coordinate di ciascuna stella si muovono alla volta, il che aiuta a scandagliare spazi ampi in modo efficiente. Durante lo sfruttamento, le stelle marine si spostano in due direzioni attorno alle migliori soluzioni correnti, affinando i progetti promettenti. Un passaggio di rigenerazione riduce occasionalmente una soluzione e la spinge in una nuova direzione, ripristinando la diversità e aiutando a uscire da vicoli ciechi locali.

Trasformare un unico scopo in molteplici obiettivi

Per estendere questa idea ai problemi multiobiettivo, gli autori propongono il Multiobjective Starfish Optimization Algorithm (MOSFOA). MOSFOA incapsula i movimenti delle stelle marine all’interno di uno strato di ranking e selezione preso in prestito dalle principali metodologie evolutive. Ad ogni generazione, tutte le soluzioni candidate sono ordinate in «fronti» in base al fatto che una soluzione ne superi chiaramente un’altra su tutti gli obiettivi. Il fronte migliore contiene quelle che non sono sconfitte simultaneamente su tutti gli obiettivi. All’interno di ciascun fronte, una misura di distanza di affollamento favorisce i punti ben separati dai vicini, impedendo all’algoritmo di concentrarsi in una sola regione della curva di compromesso. Insieme, questi meccanismi fanno sì che i movimenti delle stelle marine spingano la popolazione sia verso il fronte di Pareto sia lungo di esso, preservando una ampia gamma di opzioni.

Mettere il metodo alla prova

MOSFOA è stato testato su una vasta suite di benchmark matematici standard progettati per mettere sotto stress diversi aspetti della ricerca multiobiettivo, inclusi fronti convessi, concavi, frammentati o pieni di trappole locali. Gli autori confrontano il loro algoritmo con dieci noti concorrenti e valutano le prestazioni usando indicatori accettati che catturano quanto le soluzioni siano vicine al vero fronte di Pareto e quanto lo coprano. Nella maggior parte dei test, MOSFOA raggiunge distanze minori dalla curva ideale di compromesso e un volume coperto maggiore nello spazio degli obiettivi, segnalando sia migliore accuratezza sia maggiore diversità. Una misura matematica basata sulle classiche condizioni di ottimalità conferma inoltre che le sue soluzioni si collocano molto vicino ai compromessi teoricamente migliori.

Impatto nel mondo reale: reti elettriche e progettazione meccanica

Oltre alle funzioni di prova, l’algoritmo è applicato a compiti ingegneristici impegnativi. Un insieme di prove riguarda una rete elettrica standard a 30 nodi, dove MOSFOA aiuta gli operatori a minimizzare congiuntamente i costi del combustibile, le emissioni, le perdite di potenza e le deviazioni di tensione sotto vincoli realistici su generatori, trasformatori e sicurezza di rete. Un’altra applicazione riguarda un riduttore di velocità — un componente di ingranaggi — in cui l’algoritmo cerca progetti che minimizzino sia il volume del materiale sia le sollecitazioni meccaniche. In entrambi i casi, MOSFOA trova costantemente compromessi di alta qualità che rispettano tutti i limiti di sicurezza, e lo fa in modo più affidabile su esecuzioni ripetute rispetto alle tecniche concorrenti.

Cosa significa per i non specialisti

In termini pratici, questo lavoro offre a ingegneri e pianificatori un modo più affidabile per visualizzare l’intero panorama dei «buoni compromessi» invece di un singolo punto raccomandato. Combinando una metafora biologica semplice con accurati controlli matematici di ranking e diversità, MOSFOA produce insiemi di soluzioni che sono sia prossime all’ottimo sia ben distribuite, rendendo più semplice scegliere in base alle priorità locali — che si tratti di elettricità più economica, aria più pulita o macchinari più duraturi. I risultati dello studio, compresi quelli su sistemi elettrici reali e problemi di progettazione industriale, suggeriscono che questo approccio ispirato alla stella marina è un’aggiunta promettente alla cassetta degli attrezzi per la presa di decisioni complesse.

Citazione: 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

Parole chiave: ottimizzazione multiobiettivo, metaeuristiche, pianificazione dei sistemi elettrici, progettazione ingegneristica, fronte di Pareto