Модульная оптимизация Harris Hawks с направленной по тренду дифференциальной эволюцией и гауссовской исследовательской стадией для глобальной оптимизации и инженерного проектирования

Более умный поиск — лучшие проекты

От проектирования более легких мостов до настройки нейронных сетей инженеры и учёные постоянно сталкиваются с задачами, где нужно просеять огромное множество вариантов, чтобы найти наилучший. Традиционные методы проб и ошибок или даже современные компьютерные алгоритмы легко могут «застревать» на посредственных решениях, особенно когда пространство вариантов велико и неровно. В этом исследовании представлен новый метод поиска под названием DEHHO, который стремится более разумно обследовать такие сложные ландшафты, быстрее и надёжнее находя лучшие ответы.

Почему найти лучший вариант так трудно

Многие реальные задачи можно представить как ландшафты: каждая точка — это отдельный проект, а высота показывает, насколько он хорош или плох. Эти ландшафты часто изрезаны, с бесчисленными холмами и впадинами. Задача — найти самую низкую впадину (лучший проект), не застряв на соседнем холме (лишь хорошее, но не лучшее решение). Популярный алгоритм, вдохновлённый охотничьим поведением ястребов Харриса, HHO, используется для таких задач, поскольку он прост и не требует точного знания формы ландшафта. Однако при очень большом числе переменных исходный HHO теряет ориентацию, слишком быстро сходится и начинает кружить вокруг хороших, но не оптимальных решений.

Смешение двух идей: аккуратное блуждание и направленное движение

Авторы предлагают DEHHO — модульное улучшение HHO, которое объединяет две дополняющие идеи. Во-первых, на ранней «исследовательской» стадии DEHHO добавляет контролируемый гауссовский шум — своего рода мягкую случайную дрожь — к позициям кандидатов. Вместо слепых прыжков по всему ландшафту эта дрожь побуждает поиск внимательно обследовать перспективные области, при этом сохраняя разнообразие в популяции. Во-вторых, на поздней «эксплутационной» стадии DEHHO заимствует механизм из другой успешной методики, дифференциальной эволюции. Здесь каждый кандидат движется не только к текущему лучшему, но и в направлении, сформированном разностями между другими кандидатами и его собственной недавней историей движения — своего рода импульсом. Этот шаг, управляемый трендом, сглаживает путь по ландшафту, уменьшая зигзагообразные движения, которые тратят время и могут вызвать застой поиска.

Тестирование на сложных математических эталонах

Чтобы проверить, окупаются ли эти идеи, исследователи протестировали DEHHO на двух требовательных наборах стандартных тестовых задач — CEC 2017 и CEC 2020. Эти эталонные функции включают гладкие и грубые ландшафты, задачи с множеством вводящих в заблуждение локальных впадин и случаи со сложным взаимодействием переменных. Команда запустила DEHHO и десять конкурирующих алгоритмов — пять усовершенствованных версий HHO и пять других известных методов — на задачах с 50 и 100 измерениями, то есть в чрезвычайно больших пространствах поиска. По большинству из 39 эталонных функций DEHHO достигал меньших ошибок и делал это стабильно в 30 независимых запусках, причём настройки оставались фиксированными и не подбирались под каждую задачу. Статистические тесты подтвердили, что эти улучшения вряд ли объясняются случайностью.

От уравнений к реальным конструкциям

Помимо абстрактных математических задач, исследование оценило работу DEHHO на классических инженерных задачах: проектировании трёхбалочного ферменного элемента, сварного балочного узла и механизма редуктора скорости. Каждое изделие должно удовлетворять строгим ограничениям по безопасности и характеристикам при минимизации массы или стоимости. DEHHO использовал приём штрафов и барьеров, чтобы предпочитать решения, находящиеся в допустимых пределах, одновременно продвигаясь к границам, где часто скрываются лучшие компромиссы. Во всех трёх случаях он либо повторял, либо немного улучшал известные наилучшие решения при соблюдении ограничений и делал это более надёжно, чем конкуренты. Это указывает, что метод — не просто теоретическая новинка, а практический инструмент для сложного инженерного проектирования.

Что это значит для неспециалистов

Проще говоря, DEHHO похож на сочетание осторожного разведчика, который изучает окрестности, и опытного туриста, который помнит, в каких направлениях раньше спускалось вниз. Осторожное блуждание разведчика (гауссовская эксплорация) не даёт группе слишком рано устроиться на плохом «лагере», а чувство направления туриста (направляемая по тренду эволюция) помогает эффективно спускаться к дну впадины. Результаты показывают, что это простое, модульное сочетание способно исследовать очень большие и сложные пространства проектов с большей точностью и стабильностью по сравнению с несколькими устоявшимися методами, без значительного увеличения вычислительных затрат. Для тех, кто полагается на компьютеры при поиске лучших форм, расписаний или настроек — будь то инженерия, анализ данных или другие области — DEHHO предлагает более надёжный способ приблизиться к истинно лучшему решению.

Цитирование: Kang, F., Su, X. Modular Harris Hawks optimization with trend-guided differential evolution and Gaussian exploration for global optimization and engineering design. Sci Rep 16, 6007 (2026). https://doi.org/10.1038/s41598-026-35565-8

Ключевые слова: глобальная оптимизация, метаэвристические алгоритмы, оптимизация Harris Hawks, дифференциальная эволюция, инженерное проектирование