Modulaire Harris Hawks-optimalisatie met trend-gestuurde differentiële evolutie en Gaussiaanse exploratie voor globale optimalisatie en ontwerpproblemen in de techniek

Slimmer zoeken voor betere ontwerpen

Of het nu gaat om het ontwerpen van lichtere bruggen of het afstemmen van neurale netwerken, ingenieurs en wetenschappers staan voortdurend voor puzzels waarbij ze uit enorme aantallen mogelijkheden de beste moeten vinden. Traditionele proef-en-foutmethoden of zelfs moderne computeralgoritmen kunnen gemakkelijk ergens vastlopen op middelmatige oplossingen, vooral wanneer de ontwerpruimte groot en hobbelig is. Deze studie introduceert een nieuwe zoekmethode genaamd DEHHO die deze lastige landschappen slimmer wil verkennen, zodat betere antwoorden sneller en betrouwbaarder gevonden worden.

Waarom het zo moeilijk is de beste optie te vinden

Veel echte problemen kun je voorstellen als landschappen: elk punt staat voor een ander ontwerp en de hoogte geeft aan hoe goed of slecht het is. Die landschappen zijn vaak ruw, met talloze heuvels en dalen. De uitdaging is het vinden van het laagste dal (het beste ontwerp) zonder vast te lopen op een nabijgelegen heuvel (een slechts redelijke oplossing). Een populair algoritme geïnspireerd op het jachtgedrag van Harris-haviken, HHO genaamd, wordt gebruikt voor zulke problemen omdat het eenvoudig is en geen precieze kennis van het landschap vraagt. Toch verliest het originele HHO vaak zijn richting wanneer het aantal ontwerpmogelijkheden zeer groot wordt: het clustert te snel en blijft rond goede-maar-niet-de-beste oplossingen cirkelen.

Twee ideeën combineren: zorgvuldige zwerving en gerichte beweging

De auteurs stellen DEHHO voor, een modulaire aanpassing van HHO die twee aanvullende ideeën combineert. Ten eerste voegt DEHHO tijdens de vroege "exploratie"fase gecontroleerde Gaussiaanse ruis toe — een soort zachte, willekeurige trilling — aan de posities van kandidaat-oplossingen. In plaats van blind door het hele landschap te springen, moedigt deze trilling het zoeken aan om zorgvuldig rond veelbelovende regio’s te kijken terwijl de populatie toch divers blijft. Ten tweede leent DEHHO tijdens de latere "exploitatie"fase een mechanisme van een andere succesvolle methode, differentiële evolutie. Hier beweegt elke kandidaat zich niet alleen naar de huidige beste oplossing, maar ook in een richting gevormd door de verschillen tussen andere kandidaten en door zijn eigen recente bewegingsgeschiedenis, een soort momentum. Deze trend-gestuurde stap effent het pad over het landschap en vermindert het zigzaggen dat tijd verspilt en de zoektocht kan doen vastlopen.

Getest op zware wiskundige benchmarks

Om te onderzoeken of deze ideeën baten brengen, testten de onderzoekers DEHHO op twee veeleisende collecties standaardtestproblemen, bekend als CEC 2017 en CEC 2020. Deze benchmarks omvatten zowel gladde als ruwe landschappen, gevallen met veel misleidende lokale dalen en voorbeelden waarin variabelen op complexe manieren met elkaar interageren. Het team draaide DEHHO en tien concurrerende algoritmen — vijf verbeterde vormen van HHO en vijf andere bekende zoekmethoden — op problemen met 50 en 100 ontwerpdimensies, wat neerkomt op buitengewoon grote zoekruimten. Over het merendeel van de 39 benchmarkfuncties bereikte DEHHO lagere foutwaarden en deed dat consistent over 30 onafhankelijke runs, ondanks dat de instellingen vast waren en niet per geval werden afgestemd. Statistische toetsen bevestigden dat deze verbeteringen waarschijnlijk geen toeval waren.

Van vergelijkingen naar echte machines

Naast abstracte wiskundeproblemen hebben de auteurs gekeken hoe DEHHO presteert op klassieke technische taken: het ontwerpen van een driebalktruss, een gelaste ligger en een snelheidsreducerend mechanisme. Elk ontwerp moet strikte veiligheids- en prestatie-eisen voldoen terwijl het gewicht of de kosten worden geminimaliseerd. DEHHO gebruikte een straf-en-barrièretruc om ontwerpen die binnen de toegestane grenzen blijven te bevoordelen en tegelijk naar die randgebieden te sturen waar de beste compromisoplossingen vaak liggen. In alle drie de gevallen evenaarde of verbeterde het de tot dan toe beste bekende oplossingen, terwijl het aan de beperkingen voldeed, en dat deed het betrouwbaarder dan de concurrerende algoritmen. Dit suggereert dat de methode niet alleen een theoretische curiositeit is maar een praktisch hulpmiddel voor moeilijke engineeringontwerpen.

Wat het betekent voor niet-specialisten

In alledaagse termen is DEHHO te vergelijken met het combineren van een voorzichtige verkenner die de directe omgeving onderzoekt met een ervaren wandelaar die zich herinnert welke richtingen eerder naar beneden leidden. De zorgvuldige zwerving van de verkenner (Gaussiaanse exploratie) voorkomt dat de groep zich te snel neerzet op een slecht kamp, terwijl het richtingsgevoel van de wandelaar (trend-gestuurde evolutie) de groep efficiënt naar de vallei helpt afdalen. De resultaten laten zien dat deze eenvoudige, modulaire combinatie zeer grote en lastige ontwerpzoekruimten kan doorzoeken met betere nauwkeurigheid en stabiliteit dan meerdere gevestigde methoden, zonder grote toename in rekenkosten. Voor iedereen die computers gebruikt om betere vormen, schema’s of instellingen te vinden — of dat nu in de techniek, datawetenschap of daarbuiten is — biedt DEHHO een betrouwbaardere manier om dichter bij de echte beste oplossing te komen.

Bronvermelding: 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

Trefwoorden: globale optimalisatie, metaheuristische algoritmen, Harris Hawks-optimalisatie, differentiële evolutie, technisch ontwerp