Ulepszony algorytm optymalizacji czarno‑skrzydłego krogulca z hybrydą wielostratégiową i jego zastosowanie

Sprytniejsze cyfrowe jastrzębie dla trudnych zagadnień inżynierskich

Od projektowania szybszych pociągów po strojenie sieci energetycznych — inżynierowie regularnie stają przed problemami zbyt złożonymi dla klasycznych metod prób i błędów. W artykule przedstawiono nowy „stado latawców” obliczeniowych — ulepszony algorytm optymalizacji czarno‑skrzydłego krogulca (IMBKA) — który naśladuje sposób, w jaki ptaki rozpoznają teren, atakują i migrują, aby wyostrzyć się na najlepsze rozwiązanie. Autorzy pokazują też, jak to sprytniejsze stado może pomóc przewidywać istotny współczynnik bezpieczeństwa w kolejnictwie dużych prędkości: opór elektryczny w miejscu styku pantografu z przewodem napowietrznym.

Dlaczego potrzebujemy lepszych cyfrowych eksploratorów

Nowoczesne systemy inżynierskie są wysoce złożone, z wieloma współzależnymi zmiennymi i sprzecznymi wymaganiami. Klasyczne narzędzia optymalizacyjne mogą ugrzęznąć w „wystarczająco dobrych” rozwiązaniach, przeoczając lepsze opcje ukryte w rozległym krajobrazie możliwości. W ostatnich latach badacze zwrócili się ku algorytmom inspirowanym naturą, które naśladują zachowania grup zwierząt: ławice ryb, stada wilków i roje ptaków poszukujące pożywienia. Algorytm czarno‑skrzydłego krogulca (BKA) należy do tej rodziny i został pierwotnie zbudowany wokół sposobu, w jaki te ptaki krążą na niebie, skanują teren, a następnie nurkują, by schwytać ofiarę. Choć BKA już przewyższa kilka dobrze znanych metod w wielu zadaniach, nadal cierpi z powodu dwóch istotnych słabości: jego początkowe zgadywania mogą być słabe, a poszukiwanie może zastać się w lokalnych wąskich gardłach.

Cztery ulepszenia wirtualnego stada

Ulepszona wersja, IMBKA, dopracowuje BKA w czterech kluczowych momentach poszukiwania. Po pierwsze, zamiast losowo rozrzucać początkowe „ptaki”, algorytm używa starannie zaprojektowanego „zbioru punktów optymalnych”, aby równomiernie rozproszyć je w przestrzeni przeszukiwań. Ta prosta zmiana zwiększa różnorodność i zmniejsza ryzyko, że wszystkie kandydatury rozpoczną w niekorzystnym kącie problemu. Po drugie, autorzy dodają adaptacyjną wagę do fazy ataku, analogiczną do stopniowego odpuszczania gazu w miarę zbliżania się do celu. Na początku przebiegu algorytm wykonuje odważniejsze kroki, by szeroko eksplorować; później kroki kurczą się, co pozwala dopracować obiecujące rozwiązania.

Wzorce lotu ostrzegające przed martwymi punktami

Po trzecie, badacze wprowadzają zachowanie ostrzegawcze inspirowane inną metodą opartą na ptakach, algorytmem poszukiwania wróbla, oraz spiralny wzorzec ruchu zapożyczony z optymalizatora inspirowanego wielorybem. W naturze ptaki na krawędzi stada obserwują niebezpieczeństwo i kierują grupę z dala od zagrożeń. W IMBKA przekłada się to na specjalne posunięcia, które pomagają jednostkom uciec z ryzykownych lub nieproduktywnych rejonów, jednocześnie krążąc spiralnie wokół dobrych kandydatów, by dokładniej zlustrować ich otoczenie. Po czwarte, algorytm okazjonalnie wykonuje „loty Levy’ego” — rodzaj skoków łączących wiele krótkich ruchów z rzadkimi długimi przeskokami. Te skoki pomagają cyfrowym krogulcom wydostać się z lokalnych pułapek i odkryć odległe rejony, które mogą kryć prawdziwy globalny optimum, bez utraty zdolności do dokładnego przeszukiwania w pobliżu dobrych punktów.

Dowód niezawodności i testy szybkości

Aby pokazać, że IMBKA jest nie tylko sprytny, lecz także wiarygodny, autorzy budują model matematyczny oparty na łańcuchach Markowa, standardowym narzędziu do opisu procesów losowych. Model ten wspiera rygorystyczny dowód, że przy dostatecznym czasie algorytm znajdzie globalnie najlepsze rozwiązanie z prawdopodobieństwem dążącym do jedności. Następnie testują IMBKA na zbiorze dwunastu problemów benchmarkowych szeroko stosowanych do porównywania metod optymalizacyjnych. W kontrolowanych badaniach „ablacyjnych” wyłączają i włączają każde z czterech ulepszeń, pokazując, że każde z nich wnosi korzyść — a ich połączenie działa najlepiej. W porównaniu z pięcioma innymi nowoczesnymi algorytmami IMBKA konsekwentnie szybciej zbiega, osiąga niższe poziomy błędu i utrzymuje bardziej stabilne wyniki zarówno na prostych, jak i wysoce chropowatych krajobrazach testowych.

Pomoc dla pociągów dużych prędkości w utrzymaniu zasilania

Narzędzia optymalizacyjne mają największe znaczenie wtedy, gdy przekładają się na zmiany w rzeczywistym sprzęcie. Jako praktyczny dowód zespół używa IMBKA do strojenia maszyny wektorów nośnych, popularnego modelu uczenia maszynowego, służącej do przewidywania oporu styku pantograf‑przewód napowietrzny w systemach kolejowych. Ten opór wpływa na to, jak efektywnie i niezawodnie energia przepływa z przewodu napowietrznego do pociągu. Korzystając z danych z niestandardowego stanowiska do badań styku ślizgowego przy różnych prędkościach, prądach, ciśnieniach i warunkach drganiowych, porównują trzy modele: prostą maszynę wektorów nośnych, wersję strojona oryginalnym BKA oraz tę strojoną przez IMBKA. Model oparty na IMBKA redukuje błąd predykcji o około jedną czwartą i poprawia miarę dopasowania (R²) o około siedemnaście procent, co wskazuje na dokładniejsze i bardziej wiarygodne prognozy oporu styku.

Co to oznacza dla codziennej technologii

Mówiąc prosto, badanie pokazuje, że wyposażenie wirtualnego stada krogulców w sprytniejsze sposoby rozpraszania się, adaptacji, reagowania na zagrożenia i okazjonalnego wykonywania dużych skoków prowadzi do lepszych rozwiązań, szybciej. Dla inżynierów IMBKA oferuje bardziej niezawodny silnik poszukiwań dla złożonych problemów projektowych — od sprzętu energetycznego po systemy transportowe. A poprzez wykazanie rzeczywistych korzyści w przewidywaniu zachowania styku zasilania w pociągach dużych prędkości, praca sugeruje, że takie algorytmy inspirowane naturą mogą dyskretnie poprawiać bezpieczeństwo, wydajność i opłacalność technologii, na których codziennie polegają miliony ludzi.

Cytowanie: Hui, L., Kong, Y. Improved black-winged kite optimization algorithm with multi-strategy hybrid and its application. Sci Rep 16, 6768 (2026). https://doi.org/10.1038/s41598-026-36871-x

Słowa kluczowe: metaherystyczna optymalizacja, algorytmy inspirowane naturą, algorytm czarno‑skrzydłego krogulca, maszyna wektorów nośnych, opor pantograf‑przewód napowietrzny