На основе бинарного оператора эволюции с улучшенным черно‑китовым алгоритмом и естественной заменой для инженерных задач числовой оптимизации

Более умные способы принимать сложные решения

От проектирования более безопасных автомобилей до планирования эффективных ветряных ферм инженеры постоянно сталкиваются с задачами, имеющими миллионы возможных ответов. Просмотреть каждый вариант невозможно, поэтому они полагаются на изящные приёмы — компьютерные алгоритмы, которые ищут очень хорошие решения, не проверяя всё подряд. В этой статье представлен один такой приём, вдохновлённый поведением хищной птицы — черно‑крылого коршуна, и показано, как усовершенствованная версия этой идеи может решать многочисленные сложные практические задачи быстрее и надежнее существующих методов.

Учимся у охотящейся птицы

Современные «метаэвристические» алгоритмы часто заимствуют идеи из природы: как муравьи ищут пищу, как волки охотятся или как движутся галактики. Оригинальный черно‑китовый алгоритм (BKA) принадлежит к этому семейству. Он моделирует множество виртуальных птиц, летающих над математическим ландшафтом, где высота отражает качество конструкции. В фазе «атаки» птицы исследуют пространство широко, а в фазе «миграции» они приближаются к перспективным областям. BKA применяли в практических задачах, таких как настройка батарей и помощь в разведке ресурсов. Но, как и многие подобные методы, он всё ещё может застревать на удовлетворительных решениях, пропускать лучшие варианты или долго сходиться при очень сложных задачах.

Добавление управляемого хаоса и более разумного смешивания

Авторы предлагают усовершенствованную версию под названием SMNBKA‑ICMIC. Первое улучшение касается способа инициализации поиска. Вместо случайного размещения виртуальных птиц метод использует специальный тип управляемого хаоса, чтобы рассеять их более равномерно по ландшафту. Это повышает вероятность того, что некоторые птицы начнут близко к ценным областям. Далее, в фазе «атаки» алгоритм заимствует идею из эволюционной биологии: он аккуратно смешивает информацию от сильных и слабых кандидатов, подобно тому, как генетический материал перемешивается при размножении. Этот этап смешивания помогает коллективу выходить из тупиков и не допускать преждевременного сужения поиска.

Направленная миграция и выживание сильнейших

Фаза миграции также переработана. В оригинальном методе каждая птица корректировала своё положение по простому случайному правилу, что иногда приводило к скапливанию группы вокруг локального холмика вместо поиска высшей вершины. Улучшенная версия сравнивает результаты птиц и позволяет им перемещаться, ориентируясь на различия между сильным «лидером» и случайно выбранным партнёром. Такое движение туда‑обратно помогает стае исследовать новые направления, оставаясь при этом направленной к хорошим областям. Кроме того, шаг «естественной замены» имитирует выживание сильнейших: в каждом раунде худшие по качеству птицы удаляются и заменяются новыми, созданными вблизи текущих лучших решений. Это поддерживает приток свежих идей и одновременно уточняет поиск вокруг перспективных конструкций.

Проверка алгоритма на практике

Чтобы выяснить, действительно ли эти идеи помогают, исследователи подвергли SMNBKA‑ICMIC серии тестов. Сначала они использовали стандартные математические эталонные функции, разработанные так, чтобы быть сложными, включая ландшафты с множеством ложных пиков и узких долин. На трёх основных наборах тестов, широко используемых в сообществе оптимизации, новый метод в целом находил лучшие решения и делал это более стабильно по сравнению с оригинальным BKA и несколькими современными алгоритмами. Затем авторы перешли к десяти классическим задачам инженерного проектирования, таким как форма металлической пружины, расчёт размеров давленияного сосуда, конфигурация зубчатой передачи или многодискового тормоза. В девяти из десяти случаев их алгоритм дал наилучшие известные решения, часто сокращая «стоимость» проекта на 1,5%–15% по сравнению с конкурентами — разница, которая может означать реальную экономию материалов, энергии или запасов прочности.

Работа с комплексными выборами и компромиссами

Команда также протестировала метод на задаче с несколькими рюкзаками, стандартной задаче, где ограниченное число предметов нужно разместить в нескольких контейнерах, не превышая их вместимости, при максимизации общей ценности. Эти задачи известны своей трудностью, потому что число возможных упаковок взрывается с ростом размера задачи. SMNBKA‑ICMIC не только находил оптимальные решения в ряде подобных задач, но и делал это с замечательной стабильностью между запусками. Это указывает на то, что метод способен справляться как с непрерывными параметрическими выборами (например, точная толщина балки), так и с дискретными (какой компонент включить), что редко встречается в одном алгоритме.

Почему это важно

Проще говоря, исследование демонстрирует, что аккуратное сочетание идей из теории хаоса, эволюции, стайного поведения и естественного отбора приводит к стратегии поиска, которая одновременно предприимчива и дисциплинирована. SMNBKA‑ICMIC достаточно широко исследует пространство, чтобы не обманываться ранними заманчивыми ответами, и в то же время умеет сужать поиск для тщательной доработки высококачественных решений. Для инженеров и учёных, сталкивающихся со сложными задачами с многочисленными ограничениями, это означает возможность получать близкие к оптимальным решения с меньшим числом прогонов и большей уверенностью. Хотя авторы отмечают, что чрезвычайно высокоразмерные или быстро меняющиеся задачи остаются проблемными, их работа приближает автоматизированное проектирование к поведению опытного, адаптирующегося решателя задач, а не к жёсткому калькулятору.

Цитирование: Sun, H., Tang, N., Li, Z. et al. Based on binary evolution operator-enhanced black-kite algorithm with natural replacement for engineering numerical optimization problems. Sci Rep 16, 6881 (2026). https://doi.org/10.1038/s41598-026-35846-2

Ключевые слова: метаэвристическая оптимизация, инженерное проектирование, алгоритмы, вдохновлённые природой, комбинаторная оптимизация, черно‑китовый алгоритм