Ulepszony optymalizator połączonego systemu bankowego z potrójnym mechanizmem do rozwiązywania problemów globalnej optymalizacji

Inteligentniejsze wyszukiwanie dla złożonych decyzji w świecie rzeczywistym

Od planowania rozkładów lotów po strojenie systemów medycznej sztucznej inteligencji — wiele współczesnych problemów sprowadza się do wyszukiwania „najlepszej możliwej kombinacji” wśród niezliczonych opcji. Dokładne metody matematyczne często nie radzą sobie z taką złożonością. W artykule przedstawiono ulepszoną metodę komputerowego przeszukiwania, Enhanced Connected Banking System Optimizer (ECBSO), która naśladuje sposób, w jaki banki współdziałają i wymieniają informacje, aby szybciej i bardziej niezawodnie znajdować lepsze rozwiązania.

Dlaczego tradycyjne metody napotykają ścianę

Klasyczne techniki optymalizacyjne dobrze sprawdzają się, gdy problemy są uporządkowane: zależności są gładkie, a krajobraz możliwości względnie prosty. W praktyce jednak występuje zwykle wiele zmiennych, skomplikowane ograniczenia i pejzaże pełne grzbietów i dolin, w których wyszukiwanie może utknąć przy jedynie „dobrym” rozwiązaniu zamiast odnaleźć najlepsze. Algorytmy metaheurystyczne powstały, by radzić sobie z taką nieporządnością. Zapożyczają pomysły z natury, fizyki czy zachowań ludzkich — na przykład z ewolucji, stad ptaków czy nauczania w klasie — aby inteligentnie przeszukiwać ogromne przestrzenie rozwiązań bez potrzeby posiadania idealnej informacji matematycznej.

Bankowość jako wzorzec rozwiązywania problemów

Wcześniejszy Connected Banking System Optimizer (CBSO) traktował banki jako agentów poszukiwania. Każdy „bank” reprezentuje kandydackie rozwiązanie, a transakcje między bankami modelują, jak rozwiązania wymieniają informacje i ulepszają się w czasie. CBSO przełączał się między eksploracją (próbowaniem bardzo różnych opcji) a eksploatacją (doprecyzowywaniem najlepszych znalezionych rozwiązań). Jednak oryginalna konstrukcja miała trzy kluczowe wady: banki wymieniały zbyt mało informacji w całej sieci, przejście od eksploracji do eksploatacji było sztywno powiązane z upływem czasu zamiast z rzeczywistym postępem, a przeszukiwanie polegało zbyt mocno na jednym wyróżniającym się wykonawcy, co często powodowało utknięcie systemu wokół suboptymalnego rozwiązania. Te ograniczenia nasilały się wraz ze wzrostem rozmiaru i złożoności problemów.

Trzy nowe mechanizmy, które wyostrzają poszukiwanie

ECBSO zachowuje metaforę bankową, ale dodaje trzy mocne mechanizmy. Po pierwsze, strategia przewodnictwa grupy dominującej analizuje najlepsze banki jako zespół zamiast skupiać się na pojedynczym liderze. Przechwytując, jak ich wybory zmieniają się wspólnie, algorytm generuje nowe kandydackie rozwiązania podążające za „zbiorową mądrością” elitarnej grupy, co poprawia zarówno pokrycie przestrzeni poszukiwań, jak i jakość obiecujących kandydatur. Po drugie, strategia kierowanej nauki ciągle mierzy, jak bardzo ostatnie rozwiązania się poruszają. Jeśli przeszukiwanie wędruje zbyt chaotycznie, algorytm koryguje je w stronę ostrożniejszego dopracowywania; jeśli porusza się zbyt słabo, ECBSO popycha je do eksploracji nowych obszarów. Po trzecie, strategia hybrydowa elit łączy pierwotny pomysł bankowy z innym podejściem zwanym equilibrium optimizer. Zamiast gonić jednego zwycięzcę, ECBSO równolegle dopracowuje kilka silnych kandydatów, co pomaga systemowi uciec z lokalnych pułapek i zbiegać się w sposób bardziej stabilny.

Testy nowej metody

Aby sprawdzić, czy te zmiany rzeczywiście pomagają, autorzy przetestowali ECBSO na wymagającym międzynarodowym benchmarku znanym jako CEC 2017, który zawiera 29 sztucznych problemów zaprojektowanych, by wystawić metody optymalizacyjne na różne próby — proste, pofałdowane, hybrydowe i silnie splątane krajobrazy, każdy w kilku wymiarach. ECBSO porównano z oryginalnym CBSO oraz z ośmioma czołowymi konkurentami z różnych rodzin algorytmów. We wszystkich rozmiarach testów ECBSO konsekwentnie zajmowało pierwsze miejsca. Znajdowało lepsze rozwiązania w większej liczbie problemów, robiło to bardziej niezawodnie między kolejnymi uruchomieniami i wykazywało gładsze, bardziej przewidywalne krzywe postępu. Szczegółowe testy statystyczne potwierdziły, że te zyski nie wynikały ze szczęścia. Autorzy zastosowali następnie ECBSO do rzeczywistych zadań projektowania inżynierskiego z ograniczeniami i ponownie zaobserwowali lepszą jakość rozwiązań i większą odporność, chociaż kosztem nieco dłuższych czasów działania ze względu na bardziej złożone obliczenia.

Co to oznacza dla codziennej technologii

Mówiąc prosto, ECBSO to bardziej niezawodny „inteligentny silnik wyszukiwania” do bardzo trudnych problemów projektowych i planistycznych. Ucząc się od grupy silnych kandydatów, dostosowując odwagę eksploracji na podstawie ostatniego zachowania i dopracowując równocześnie kilka najlepszych opcji, lepiej unika ślepych ulic i trafia na naprawdę wysokiej jakości rozwiązania. Choć może nie być idealny do zadań krytycznych pod względem czasu, jego wyższa dokładność i stabilność czynią go obiecującym narzędziem do decyzji wykonywanych offline w obszarach takich jak systemy energetyczne, projektowanie inżynierskie, harmonogramowanie i uczenie maszynowe, gdzie znalezienie lepszego rozwiązania może przynieść znaczne oszczędności lub poprawić bezpieczeństwo.

Cytowanie: Qian, D., Cai, X., Feng, L. et al. An enhanced connected banking system optimizer incorporating triple mechanism for solving global optimization problems. Sci Rep 16, 7747 (2026). https://doi.org/10.1038/s41598-026-36149-2

Słowa kluczowe: optymalizacja metaheurystyczna, algorytm inspirowany bankowością, optymalizacja globalna, projektowanie inżynierskie, algorytm poszukiwania