Uczenie wspomagane w sztucznej kolonii pszczół z transferem wiedzy za pomocą sieci neuronowych do optymalizacji globalnej

Mądrzejsze cyfrowe roje dla trudnych problemów

Wiele z najtrudniejszych współczesnych wyzwań — od ustawiania paneli słonecznych po planowanie tras dostaw — sprowadza się do przeszukiwania ogromnych przestrzeni możliwości w poszukiwaniu najlepszego rozwiązania. Algorytmy inspirowane rojami, które naśladują sposób, w jaki pszczoły czy ptaki eksplorują otoczenie, są powszechnie stosowane do tego typu poszukiwań. Jednak klasyczne roje w dużej mierze polegają na przypadku, a nie na pamięci. W artykule zaproponowano sposób, by uczynić popularny algorytm oparty na pszczołach zdolnym rzeczywiście „uczyć się” z doświadczenia, przekształcając go z trafnej zgadywanki w oparty na danych rozwiązywacz problemów.

Od ślepego błądzenia do ukierunkowanej eksploracji

Tradycyjne metody poszukiwań można sobie wyobrazić jako wędrowców potykających się po mglistym paśmie górskim, którzy mają nadzieję znaleźć najwyższy szczyt. Proste „losowe przeszukiwanie” może iść w dowolnym kierunku, poprawiając się bardzo powoli. Bardziej zaawansowane algorytmy ewolucyjne, w tym metoda Artificial Bee Colony (ABC), stosują reguły inspirowane doborem naturalnym i zdobywaniem pożywienia: niektóre wirtualne pszczoły eksplorują nowe rejony, inne eksploatują dobre miejsca, a słabe lokalizacje są porzucane. Nawet te metody jednak w dużej mierze ignorują bogatą historię tego, co wcześniej działało dobrze. Każdy nowy ruch jest wybierany z niewielkim uwzględnieniem szczegółowych wzorców przeszłych sukcesów, co może prowadzić do powolnego postępu lub utknięcia na przeciętnym wzniesieniu zamiast na prawdziwym szczycie.

Nauka pszczół pamiętania i przewidywania

Autorzy proponują Learning-Aided Artificial Bee Colony (LA-ABC), które ulepsza standardowy algorytm pszczół prostą sztuczną siecią neuronową — rodzajem matematycznego mózgu. W miarę jak cyfrowe pszczoły przeszukują przestrzeń, algorytm zapisuje „udane ruchy”: zawsze gdy nowe kandydatowe rozwiązanie wyraźnie poprawia starsze, para zostaje umieszczona w kroczącym archiwum. Przykłady te tworzą bank doświadczeń, który uchwyca, jak dobre rozwiązania mają tendencję do ewoluowania. Sieć neuronowa jest trenowana online, w trakcie biegu, aby nauczyć się odwzorowania „przed” na „po”: dla obiecującego rozwiązania przewiduje, jak je delikatnie przesunąć w kierunku jeszcze lepszego.

Dwie ścieżki: przypadek kontra wyuczone prowadzenie

Gdy silnik uczący zostanie uruchomiony, LA-ABC pracuje w dwóch naprzemiennych trybach. W jednym trybie pszczoły zachowują się jak w oryginalnym ABC, stosując reguły przypominające losowość, aby zachować eksplorację i uniknąć nadmiernej pewności siebie. W drugim trybie algorytm korzysta ze swojego wyuczonego modelu. Dla wybranej pszczoły sieć neuronowa sugeruje ulepszoną pozycję, a do tego dodawany jest lekki element losowości, by rój nie stał się sztywny ani nie dopasował się nadmiernie do wczesnych danych. Pokrętło kontrolne decyduje, jak często używana jest ścieżka kierowana nauką, równoważąc szerokie przeszukiwanie z ukierunkowaną rafinacją. Ten projekt pozwala rojowi korzystać z zgromadzonej wiedzy, jednocześnie wciąż badając nowe, nieeksplorowane rejony.

Testowanie uczących się rojów

Aby sprawdzić, czy uczenie rzeczywiście pomaga, autorzy sprawdzili LA-ABC na kilku dziesiątkach matematycznych testów uznawanych za wymagające: gładkie i szorstkie krajobrazy, scenariusze z jednym szczytem i z wieloma szczytami oraz złożone mieszanki obu. Porównali go z tuzinem wiodących algorytmów, w tym ulepszonymi wersjami Differential Evolution, Particle Swarm Optimization oraz innymi rojami wspomaganymi wiedzą i opartymi na uczeniu ze wzmocnieniem. W większości testów LA-ABC szybciej i bardziej niezawodnie osiąga lepsze rozwiązania, co potwierdzają wielokrotne analizy statystyczne. Autorzy zastosowali następnie metodę do praktycznego zadania inżynieryjnego: estymacji ukrytych parametrów elektrycznych modeli fotowoltaicznych (słonecznych). Tutaj LA-ABC odzyskuje wartości parametrów, które nie tylko odpowiadają oczekiwaniom fizycznym — takim jak realistyczne rezystancje i zachowanie diody — lecz także odtwarzają rzeczywiste dane pomiarowe przy szczególnie niskim błędzie.

Dlaczego to ma znaczenie dla technologii w świecie rzeczywistym

Badanie pokazuje, że dodanie skromnego komponentu uczącego się do algorytmów rojowych może znacząco wyostrzyć ich moc wyszukiwania, nie czyniąc ich przy tym nieporęcznymi. LA-ABC zachowuje prostotę i elastyczność, które uczyniły oryginalny algorytm pszczół popularnym, dodając jednocześnie pamięć o poprzednich sukcesach, która delikatnie kieruje przyszłymi decyzjami. Dla osób niebędących specjalistami wnioskiem jest to, że wiele narzędzi optymalizacyjnych stosowanych za kulisami w inżynierii, energetyce, logistyce, a nawet w uczeniu maszynowym, można uczynić bardziej wydajnymi, wplatając w nie małe, ukierunkowane moduły uczące się. Zamiast niekończącego się zgadywania te cyfrowe roje zaczynają zachowywać się bardziej jak doświadczeni odkrywcy — pamiętając, gdzie były, i wykorzystując to doświadczenie, by wspinać się ku lepszym rozwiązaniom.

Cytowanie: Saini, G., Jadon, S.S. & Chaube, S. Learning-aided Artificial Bee Colony with neural knowledge transfer for global optimization. Sci Rep 16, 7019 (2026). https://doi.org/10.1038/s41598-026-38028-2

Słowa kluczowe: inteligencja roju, sztuczna kolonia pszczół, sieci neuronowe, optymalizacja, energia słoneczna