傾向誘導型差分進化とガウス探索を組み合わせたモジュール式Harris Hawks最適化：グローバル最適化と工学設計への応用

より賢い探索でより良い設計を

軽量な橋の設計からニューラルネットワークの調整まで、技術者や科学者は常に多数の選択肢の中から最良を見つけるという問題に直面しています。従来の試行錯誤や最新の計算アルゴリズムでも、探索空間が巨大で起伏が多い場合には、中途半端な解に「はまって」しまうことがよくあります。本研究はDEHHOと呼ぶ新しい探索法を提案し、こうした困難な地形をより賢く探索して、より速く、より確実に良い解を見つけることを目指します。

なぜ最良解を見つけるのが難しいのか

多くの現実問題は地形として考えることができます：各点が異なる設計を表し、高さが良し悪しを示します。こうした地形は往々にしてでこぼこしており、無数の山や谷があります。課題は、近くの山（やや良いが最良ではない解）に捕らわれずに最も低い谷（最良解）を見つけることです。Harris hawksの狩り行動に着想を得たHHOというアルゴリズムは、単純で地形の正確な形状を知らなくても使えるためこうした問題に用いられてきました。しかし設計変数の数が非常に増えると、元のHHOは方向感覚を失いがちで、個体群が早く収束してしまい、良いが最良ではない解の周りを回ることが多くなります。

ふたつの発想の融合：慎重な徘徊と誘導された運動

著者らが提案するDEHHOは、HHOをモジュール式に改良し、相補的な二つの考え方を組み合わせます。まず初期の「探索」段階では、候補解の位置に制御されたガウスノイズ（穏やかなランダム揺らぎ）を加えます。無作為に広く飛び回る代わりに、この揺らぎは有望な領域の周辺を注意深く調べつつも個体群の多様性を保ちます。次に後半の「活用」段階では、差分進化という別の成功手法からの仕組みを取り入れます。ここでは各候補解が単に現在の最良に向かうだけでなく、他の候補間の差分や自身の直近の移動履歴によって形作られた方向へも動きます。こうした傾向誘導ステップは経路を滑らかにし、無駄なジグザグ運動を減らすことで探索の停滞を防ぎます。

難しい数学的ベンチマークでの検証

これらの発想が効果的かを確認するため、研究者らはDEHHOをCEC 2017とCEC 2020という二つの難易度の高い標準テスト集合で評価しました。これらのベンチマークには滑らかな地形や粗い地形、欺瞞的な局所谷が多いもの、変数が複雑に相互作用するものなどが含まれます。チームはDEHHOと10の競合アルゴリズム（HHOの改良版5種と他の著名な探索法5種）を、設計次元が50と100という非常に大きな問題で実行しました。39個のベンチマーク関数の大部分で、DEHHOはより低い誤差を示し、30回の独立実行にわたってその性能を安定して発揮しました。各ケースに対して個別に調整するのではなく設定を固定したままでしたが、統計検定によりこれらの改善が偶然によるものではないことが確認されました。

方程式から実機へ

抽象的な数学問題に加え、研究ではDEHHOを従来の工学的課題にも適用しました：三本梁トラス構造の設計、溶接ビーム、そして速度低下装置の設計です。各設計は安全性や性能の厳しい制約を満たしつつ、質量やコストを最小化する必要があります。DEHHOは罰則とバリアの工夫を用いて許容範囲内の設計を優先しつつ、最良のトレードオフが得られやすい制約の境界付近へと押しやすくしました。三例すべてで、既知の最良解に匹敵するか僅かに改善した解を制約を守ったまま安定的に得られ、競合アルゴリズムより信頼性が高い結果となりました。これはこの手法が単なる理論的興味にとどまらず、困難な工学設計で実用的に役立つことを示唆しています。

非専門家にとっての意味

日常語で言えば、DEHHOは近くの地形を慎重に調べる斥候と、これまで下り坂につながった方向を覚えている経験豊かなハイカーを組み合わせたようなものです。斥候の慎重な徘徊（ガウス探索）は集団が不適切な宿営地に早く落ち着いてしまうのを防ぎ、ハイカーの方向感（傾向誘導進化）は効率よく谷底へ下るのを助けます。結果は、単純でモジュール式の組み合わせが、計算コストを大きく増やすことなく、多くの確立した手法よりも大規模で複雑な設計空間をより高精度かつ安定して探索できることを示しています。工学、データサイエンス、その他の分野で形状やスケジュール、設定値を改善するために計算機に頼る人々にとって、DEHHOは真の最良解に近づくためのより信頼できる方法を提供します。

引用: 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

キーワード: グローバル最適化, メタヒューリスティックアルゴリズム, Harris Hawks 最適化, 差分進化, 工学設計