Более умные компромиссы для сложных инженерных решений
Повседневные технологии — от электрических сетей до редукторов — вынуждены балансировать между противоречивыми целями: снижать затраты, уменьшать загрязнение и обеспечивать безопасность и надежность. В этой статье представлен новый алгоритм, вдохновлённый морскими звёздами, который помогает инженерам эффективнее ориентироваться в таких компромиссах. Подражая тому, как морские звёзды исследуют окружение, охотятся и восстанавливают потерянные щупальца, метод одновременно находит множество высококачественных компромиссных решений, давая лицам, принимающим решения, более широкий набор вариантов вместо единственного «лучшего» ответа.
Почему балансировать множество целей так сложно
В реальных инженерных задачах редко бывает одна цель. Например, эксплуатация электрической системы требует минимизации затрат на топливо, а также сокращения выбросов, потерь в линиях передачи и нестабильности напряжения. Улучшение одной характеристики часто ухудшает другую. Вместо единственного оптимума обычно существует изогнутая граница равноценных вариантов, известная как граница Парето: приближение к одной цели означает отдаление от другой. Поиск множества решений, близких к этой границе и равномерно распределённых вдоль неё, требует больших вычислительных ресурсов, особенно по мере роста и усложнения систем.
От поведения морских звёзд к стратегии поиска Figure 1.
Авторы развивают ранее предложенный метод для одной цели — Starfish Optimization Algorithm, который моделирует три природных поведения: разведку, когда животное сканирует окружение несколькими лучами; хищничество, когда оно наводится на пищу; и регенерацию, когда потерянный луч отрастает. В алгоритмической версии каждая «морская звезда» представляет кандидата на дизайн или точку режима работы. При разведке у каждой морской звезды одновременно меняются лишь несколько координат, что помогает эффективно исследовать большие пространства. При эксплоитации звезды двигаются в двух направлениях вокруг текущих лучших решений, уточняя перспективные варианты. Шаг регенерации время от времени сжимает решение и толкает его в новом направлении, восстанавливая разнообразие и помогая выйти из локальных ловушек.
Преобразование одной цели в несколько
Чтобы адаптировать эту идею к многокритериальным задачам, авторы предлагают Multiobjective Starfish Optimization Algorithm (MOSFOA). MOSFOA внедряет движения морских звёзд в слой ранжирования и отбора, заимствованный из ведущих эволюционных методов. На каждом поколении все кандидаты сортируются по «фронтам» в зависимости от того, превосходит ли одно решение другое по всем целям одновременно. Лучший фронт содержит те решения, которые не проигрывают ни одному другому по всем задачам одновременно. Внутри каждого фронта мера «расстояния до соседей» (crowding distance) отдаёт предпочтение точкам, которые хорошо разделены от соседей, предотвращая скапливание алгоритма в одной области кривой компромисса. В совокупности эти механизмы заставляют движения морских звёзд продвигать популяцию как к границе Парето, так и вдоль неё, сохраняя широкий набор вариантов.
Испытание метода на практике Figure 2.
MOSFOA протестирован на широкой серии стандартных математических эталонных задач, специально построенных так, чтобы испытывать разные аспекты многокритериального поиска, включая фронты выпуклой и вогнутой формы, разорванные фронты или области с локальными ловушками. Авторы сравнивают свой алгоритм с десятью известными конкурентами и оценивают производительность с помощью общепринятых показателей, которые фиксируют, насколько близко решения лежат к истинной границе Парето и насколько широко они её покрывают. В большинстве тестов MOSFOA достигает меньших расстояний до идеальной кривой компромисса и большего объёма покрытия в пространстве целей, что свидетельствует о лучшей точности и более богатом разнообразии. Математическая мера, основанная на классических условиях оптимальности, дополнительно подтверждает, что полученные решения находятся очень близко к теоретически лучшим компромиссам.
Реальное влияние: энергосети и механическое проектирование
Помимо эталонных функций, алгоритм применён к сложным инженерным задачам. Один комплект испытаний охватывает стандартную 30-узловую электроэнергетическую сеть, где MOSFOA помогает операторам одновременно минимизировать затраты на топливо, выбросы, потери мощности и отклонения напряжения при реалистичных ограничениях на генераторы, трансформаторы и безопасность сети. Другое приложение касается редуктора скорости — компонента коробки передач — где алгоритм ищет конструкции, минимизирующие как объём материала, так и механические напряжения. В обоих случаях MOSFOA последовательно находит качественные компромиссы, соблюдающие все требования безопасности, и делает это более надёжно при повторных запусках по сравнению с конкурентными методиками.
Что это значит для неспециалистов
Практически это исследование даёт инженерам и планировщикам более надёжный способ увидеть полноту «хороших компромиссов», а не только одну рекомендованную точку. Объединив простую биологическую метафору с аккуратными математическими процедурами ранжирования и поддержания разнообразия, MOSFOA формирует наборы решений, которые одновременно близки к оптимуму и равномерно распределены, что облегчает выбор в соответствии с локальными приоритетами — будь то более дешёвая электроэнергия, чище воздух или более долговечное оборудование. Результаты работы, включая примеры в реальных энергосистемах и задачах промышленного проектирования, указывают на то, что этот подход, вдохновлённый морскими звёздами, является многообещающим дополнением к инструментарию для принятия сложных решений.
Цитирование: Jameel, M., Merah, H., El-latif, A.M.A. et al. Multiobjective starfish optimization algorithm for engineering design and optimal power flow problems.
Sci Rep16, 3302 (2026). https://doi.org/10.1038/s41598-026-35329-4
