Modularna optymalizacja Harris Hawks ze sterowaną trendem ewolucją różnicową i eksploracją Gaussowską dla optymalizacji globalnej i projektowania inżynierskiego

Sprytniejsze poszukiwania dla lepszych projektów

Od projektowania lżejszych mostów po strojenie sieci neuronowych, inżynierowie i naukowcy nieustannie stoją przed zadaniami, w których muszą przesiać ogromne liczby możliwości, żeby znaleźć najlepsze rozwiązanie. Tradycyjne metody przez próbę i błąd, a nawet nowoczesne algorytmy komputerowe, łatwo mogą „utknąć” w przeciętnych rozwiązaniach, szczególnie gdy przestrzeń projektowa jest rozległa i pofałdowana. W tym badaniu przedstawiono nową metodę poszukiwań nazwaną DEHHO, która ma na celu inteligentniejsze badanie takich trudnych krajobrazów, szybciej i bardziej niezawodnie znajdując lepsze rozwiązania.

Dlaczego znalezienie najlepszego rozwiązania jest tak trudne

Wiele rzeczywistych problemów można wyobrazić sobie jako krajobrazy: każdy punkt reprezentuje inny projekt, a wysokość określa, jak dobry lub zły jest dany projekt. Te krajobrazy często są chropowate, z niezliczonymi wzgórzami i dolinami. Wyzwanie polega na znalezieniu najniższej doliny (najlepszego projektu) bez utknięcia na pobliskim wzgórzu (jedynie przyzwoitym rozwiązaniu). Popularny algorytm inspirowany zachowaniami łowczymi jastrzębi Harrisów, zwany HHO, był wykorzystywany do rozwiązywania takich problemów, ponieważ jest prosty i nie wymaga znajomości dokładnego kształtu krajobrazu. Jednak gdy liczba opcji projektowych bardzo rośnie, oryginalny HHO ma tendencję do utraty poczucia kierunku, zbyt szybkiego skupiania się i krążenia wokół dobrych, lecz nie najlepszych rozwiązań.

Połączenie dwóch pomysłów: ostrożne błądzenie i ukierunkowany ruch

Autorzy proponują DEHHO, modułową modyfikację HHO łączącą dwa komplementarne pomysły. Po pierwsze, w początkowej fazie „eksploracji” DEHHO dodaje kontrolowany szum Gaussowski — rodzaj łagodnego, losowego drżenia — do pozycji kandydatów rozwiązań. Zamiast skakać ślepo po całym krajobrazie, to drżenie zachęca do dokładniejszego rozpoznawania obiecujących rejonów przy jednoczesnym zachowaniu różnorodności w populacji. Po drugie, w późniejszej fazie „eksploatacji” DEHHO zapożycza mechanizm z innej udanej metody, ewolucji różnicowej. Każde rozwiązanie kandydujące porusza się nie tylko w stronę obecnego najlepszego rozwiązania, lecz także w kierunku kształtowanym przez różnice między innymi kandydatami oraz przez własną niedawną historię ruchu, swoisty rodzaj pędu. Ten krok sterowany trendem wygładza ścieżkę po krajobrazie, ograniczając zygzakowanie, które marnuje czas i może powodować zatrzymanie poszukiwań.

Testy na trudnych matematycznych benchmarkach

Aby sprawdzić, czy te pomysły przynoszą korzyści, badacze przetestowali DEHHO na dwóch wymagających zestawach standardowych problemów testowych znanych jako CEC 2017 i CEC 2020. Benchmarks obejmują krajobrazy gładkie i chropowate, takie z wieloma mylnymi lokalnymi dolinami oraz takie, gdzie zmienne wchodzą w skomplikowane interakcje. Zespół uruchomił DEHHO oraz dziesięć konkurencyjnych algorytmów — pięć ulepszonych wersji HHO i pięć innych dobrze znanych metod poszukiwawczych — na problemach o 50 i 100 wymiarach projektowych, co oznaczało niezwykle dużą przestrzeń przeszukiwań. W większości z 39 funkcji testowych DEHHO osiągał niższe wartości błędu i robił to konsekwentnie w 30 niezależnych uruchomieniach, mimo że jego parametry pozostały stałe i nie były dostrajane dla każdego przypadku. Testy statystyczne potwierdziły, że te zyski były mało prawdopodobne do przypisania przypadkowi.

Od równań do rzeczywistych maszyn

Ponad abstrakcyjnymi problemami matematycznymi, badanie sprawdziło, jak DEHHO radzi sobie w klasycznych zadaniach inżynierskich: projektowaniu kratownicy trójprętowej, belki spawanej oraz mechanizmu reduktora prędkości. Każdy projekt musi spełniać rygorystyczne ograniczenia bezpieczeństwa i wydajności przy jednoczesnym minimalizowaniu masy lub kosztu. DEHHO zastosował trik z karami i barierami, aby faworyzować projekty mieszczące się w dopuszczalnych granicach, jednocześnie dążąc do krawędzi, gdzie często znajdują się najlepsze kompromisy. We wszystkich trzech przypadkach osiągnął albo porównywalne, albo nieco lepsze rozwiązania niż najlepsze znane dotąd przy zachowaniu ograniczeń, i zrobił to bardziej niezawodnie niż algorytmy konkurencyjne. Sugeruje to, że metoda nie jest jedynie teoretyczną ciekawostką, lecz praktycznym narzędziem do trudnych zadań projektowych.

Co to oznacza dla osób niebędących specjalistami

Mówiąc prościej, DEHHO przypomina połączenie ostrożnego zwiadowcy, który bada pobliski teren, z doświadczonym wędrowcem, który pamięta, w których kierunkach wcześniej schodziło się w dół. Ostrożne błądzenie zwiadowcy (eksploracja Gaussowska) powstrzymuje grupę przed zbyt szybkim osiedleniem się na słabym miejscu, podczas gdy wyczucie kierunku wędrowca (ewolucja sterowana trendem) pomaga grupie skutecznie zejść w stronę dna doliny. Wyniki pokazują, że to proste, modułowe połączenie potrafi przeszukiwać bardzo duże i trudne przestrzenie projektowe z lepszą dokładnością i stabilnością niż kilka ustalonych metod, bez dużego wzrostu kosztów obliczeniowych. Dla każdego, kto polega na komputerach przy znajdowaniu lepszych kształtów, harmonogramów czy ustawień — czy to w inżynierii, analizie danych czy poza nią — DEHHO oferuje bardziej niezawodny sposób przybliżenia się do rzeczywistego najlepszego rozwiązania.

Cytowanie: 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

Słowa kluczowe: optymalizacja globalna, algorytmy metaheurystyczne, optymalizacja Harris Hawks, ewolucja różnicowa, projektowanie inżynierskie