Algorytm optymalizacji rojem cząstek z użyciem funkcji sinus i cosinus do rozwiązywania problemów na dużą skalę

Bardziej inteligentne poszukiwania trudnych problemów

Od planowania bezpiecznych tras robotów w zatłoczonych magazynach po dostrajanie sieci energetycznych i projektowanie inżynieryjne — najtrudniejsze dziś zadania obliczeniowe często obejmują tysiące zmiennych i złożone ograniczenia. Tradycyjne metody przeszukiwania mogą zostać przytłoczone, tracąc czas na ślepe uliczki lub zadowalając się przeciętnymi rozwiązaniami. W artykule przedstawiono nowy algorytm komputerowy, który radzi sobie z takimi dużymi, złożonymi problemami bardziej niezawodnie i wydajnie, oraz pokazano, jak może prowadzić roboty przez zabałaganione, zmienne środowiska bez kolizji.

Dlaczego duże problemy trudno poskromić

Wiele współczesnych wyzwań należy do tzw. optymalizacji na dużą skalę: znalezienia najlepszego połączenia spośród ogromnej liczby możliwości. Wyobraźmy sobie wybór najkrótszej i najbezpieczniejszej trasy dla robota na mapie pełnej ścian, poruszających się przeszkód i wąskich przejść. Popularne metody, takie jak Particle Swarm Optimization (PSO) i Sine Cosine Algorithm (SCA), naśladują grupy prostych agentów przeszukujących krajobraz. Są łatwe w użyciu i szybkie, lecz mają tendencję do zbyt szybkiego skupiania się wokół obiecujących rejonów. W efekcie często utkną w lokalnych, „wystarczająco dobrych” punktach zamiast odnaleźć naprawdę najlepsze rozwiązanie — szczególnie gdy liczba wymiarów, czyli niezależnych wyborów do podjęcia, staje się bardzo duża.

Połączenie dwóch rojów w silniejsze przeszukiwanie

Aby przezwyciężyć te ograniczenia, autor opracowuje ulepszoną metodę hybrydową nazwaną ISCA‑PSO, która łączy rozszerzoną wersję SCA z PSO. Dwie kluczowe idee napędzają tę poprawę. Po pierwsze, mechanizm Dynamicznej Korekcji Pozycji nieustannie mierzy, jak daleko każde kandydackie rozwiązanie znajduje się od aktualnie najlepszego. Gdy rozwiązanie jest daleko, algorytm silniej je nakierowuje w stronę najlepszego rejonu, przyspieszając zbieżność. Gdy jest już blisko, metoda pozwala mu zachować pewną niezależność, by rój nie zapadł się zbyt szybko w jeden punkt. Po drugie, mechanizm Ortogonalnego Krzyżowania zapożycza narzędzia z projektowania eksperymentów, by systematycznie mieszać informacje z różnych dobrych rozwiązań. Zamiast losowego krzyżowania generuje mały, lecz starannie wybrany zestaw nowych kandydatów, które rozprzestrzeniają się po przestrzeni poszukiwań, zachowując różnorodność bez eksplozji kombinatorycznej możliwości. Razem te mechanizmy pozwalają hybrydowemu algorytmowi zrównoważyć szerokie eksplorowanie z ukierunkowanym udoskonalaniem.

Próby hybrydy

Nowy algorytm przetestowano na zestawie wymagających funkcji benchmarkowych, które badacze na całym świecie używają do porównywania narzędzi optymalizacyjnych. Funkcje te zaprojektowano tak, by wprowadzać w błąd — mają wiele szczytów, dolin i płaskich regionów, które mogą uwięzić naiwnych poszukiwaczy. W różnych nowoczesnych kolekcjach testowych i w wymiarach sięgających dziesięciu tysięcy, ISCA‑PSO konsekwentnie osiąga rozwiązania bardzo bliskie teoretycznemu optimum, przy jednoczesnym niskim rozrzucie wyników między uruchomieniami. W przeciwieństwie do tego, oryginalne SCA i kilka innych zaawansowanych metod traci precyzję lub staje się niestabilnych wraz ze wzrostem wymiarowości. Testy statystyczne potwierdzają, że zyski w wydajności nie są dziełem przypadku: metoda hybrydowa zwykle zajmuje pierwsze miejsce wśród konkurencyjnych algorytmów w problemach o wysokiej liczbie wymiarów.

Bezpieczne prowadzenie robotów przez zatłoczone światy

Aby pokazać praktyczne znaczenie tych ulepszeń, badanie zastosowało ISCA‑PSO do planowania ścieżek robotów. Ścieżki opisano jako gładkie krzywe zbudowane ze sekwencji punktów orientacyjnych, a bezpieczeństwo zapewniono przez wymóg minimalnej odległości między ciałem robota a przeszkodami. W dwóch złożonych mapach 2D wypełnionych barierami nowy algorytm znajduje krótsze trasy niż kilka dobrze znanych alternatyw, zachowując jednocześnie większe marginesy bezpieczeństwa. W bardziej wymagających symulacjach z wieloma poruszającymi się przeszkodami planuje trasy, które w powtarzanych próbach całkowicie unikają kolizji, przy zachowaniu rozsądnych czasów obliczeń. Ścieżki są nie tylko krótkie, lecz także względnie płynne, co ułatwia ich realizację przez rzeczywiste roboty. Nawet w ekstremalnych labiryntach 2D z setkami przeszkód oraz w złożonych scenach 3D wypełnionych barierami, ISCA‑PSO osiąga najlepsze połączenie długości trasy, wskaźnika sukcesu i odporności w porównaniu z szeregiem metod najnowszej generacji.

Co to oznacza dla systemów w świecie rzeczywistym

Dla osób nietechnicznych kluczowy przekaz jest taki, że ta praca dostarcza bardziej niezawodny sposób przeszukiwania ogromnych, złożonych przestrzeni rozwiązań. Poprzez staranne sterowanie wirtualnym rojem — zacieśnianie się wokół obiecujących obszarów bez utraty możliwości eksploracji — algorytm ISCA‑PSO częściej znajduje lepsze odpowiedzi, nawet gdy problemy rosną dramatycznie. W praktycznym ujęciu oznacza to roboty, które mogą bezpiecznie i efektywnie przeciskać się przez zatłoczone, zmienne środowiska, oraz narzędzia optymalizacyjne, którym można zaufać w skomplikowanych zadaniach inżynieryjnych, gdzie liczy się zarówno dokładność, jak i prędkość. Przyszłe rozszerzenia, które dodadzą bogatszą świadomość terenu i otoczenia, mogą uczynić to podejście jeszcze bardziej użytecznym w systemach autonomicznych działających w rzeczywistych warunkach.

Cytowanie: Wang, Y. Sine cosine particle swarm optimization algorithm for optimizing large scale issues. Sci Rep 16, 12303 (2026). https://doi.org/10.1038/s41598-026-41180-4

Słowa kluczowe: optymalizacja na dużą skalę, algorytmy metaheurystyczne, rój cząstek, planowanie ścieżek robotów, algorytm sinus‑cosinus