Усовершенствованный оптимизатор связанной банковской системы с тройным механизмом для решения задач глобальной оптимизации

Умный поиск для сложных реальных задач

От планирования расписаний авиалиний до настройки медицинских ИИ — многие современные задачи сводятся к поиску «наилучшей комбинации» среди бесчисленных вариантов. Точные математические методы часто не справляются с такой сложностью. В этой статье представлен улучшенный метод компьютерного поиска — Усовершенствованный оптимизатор связанной банковской системы (ECBSO), — который имитирует взаимодействия банков и обмен информацией между ними, чтобы находить лучшие решения быстрее и надежнее.

Почему традиционные методы упираются в пределы

Классические техники оптимизации хорошо работают, когда задачи аккуратны: зависимости гладкие, а пространство вариантов относительно простое. Но в реальных приложениях обычно много переменных, запутанные ограничения и ландшафты с множеством пиков и впадин, в которых поиск может застрять на просто «хорошем» решении вместо лучшего. Метаэвристические алгоритмы были созданы для работы с такой неопрятностью. Они заимствуют идеи из природы, физики или человеческого поведения — например, эволюцию, стаи птиц или процесс обучения в классе — чтобы интеллектуально блуждать по огромным пространствам поиска без необходимости в совершенной математической информации.

Банковская модель как образец решения задач

Ранний Оптимизатор связанной банковской системы (CBSO) рассматривал банки как агенты поиска. Каждый «банк» представляет кандидатное решение, а транзакции между банками моделируют обмен информацией и улучшение решений со временем. CBSO чередовал этапы исследования (испытывание очень разных вариантов) и использования (оттачивание лучших найденных решений). Однако исходная схема имела три ключевых недостатка: банки слишком мало делились информацией по всей сети, переход от исследования к использованию был жестко привязан ко времени, а не к фактическому прогрессу, и поиск чересчур полагался на одного лидера, что часто приводило к застреванию вокруг посредственного решения. Эти ограничения становились более выраженными по мере роста размера и сложности задач.

Три нововведения, делающие поиск острее

ECBSO сохраняет банковскую метафору, но добавляет три мощных механизма. Во‑первых, стратегия доминирующей групповой навигации рассматривает лучшие банки как команду, а не сосредотачивается на одном лидере. Улавливая, как варьируются их решения совместно, алгоритм генерирует новые кандидатные решения, следующие «коллективной мудрости» этой элиты, что улучшает как покрытие пространства поиска, так и качество перспективных направлений. Во‑вторых, стратегия направленного обучения постоянно измеряет, насколько сильно двигались недавние решения. Если поиск слишком хаотичен, алгоритм мягко смещает его в сторону аккуратной доработки; если движение минимально, ECBSO стимулирует расширение области поиска. В‑третьих, гибридная элитная стратегия сочетает исходную банковскую идею с другим подходом — так называемым оптимизатором равновесия. Вместо погони за одним победителем ECBSO параллельно оттачивает несколько сильных кандидатов, что помогает системе вырваться из локальных ловушек и сходиться более устойчиво.

Проверка нового метода

Чтобы выяснить, действительно ли эти изменения полезны, авторы протестировали ECBSO на требовательном международном бенчмарке CEC 2017, включающем 29 искусственных задач, призванных нагрузить методы оптимизации по-разному — от простых до сильно рельефных, гибридных и сильно запутанных ландшафтов, каждая в нескольких размерностях. ECBSO сравнивали с оригинальным CBSO и восемью ведущими конкурентами из разных семейств алгоритмов. Во всех размерах тестов ECBSO стабильно занимал первое место. Он находил лучшие решения на большем числе задач, делал это более надежно от запуска к запуску и демонстрировал более плавные, предсказуемые кривые прогресса. Детальные статистические проверки подтвердили, что эти выигрышы не связаны с везением. Авторы затем применили ECBSO к реальным задачам инженерного проектирования с ограничениями и вновь зафиксировали превосходное качество решений и устойчивость, хотя это сопровождалось несколько большим временем работы из‑за более сложных вычислений.

Что это значит для повседневных технологий

Проще говоря, ECBSO — более надежный «умный поиск» для очень трудных задач проектирования и планирования. Обучаясь на группе сильных кандидатов, регулируя смелость исследования в зависимости от недавнего поведения и одновременно оттачивая несколько лучших вариантов, он лучше избегает тупиков и точнее находит действительно качественные решения. Хотя он может быть не идеален для сверхкритичных по времени задач, его повышенная точность и стабильность делают его перспективным инструментом для оффлайн‑решений в таких областях, как энергосистемы, инженерное проектирование, составление расписаний и машинное обучение, где более качественное решение может значительно снизить затраты или повысить безопасность.

Цитирование: Qian, D., Cai, X., Feng, L. et al. An enhanced connected banking system optimizer incorporating triple mechanism for solving global optimization problems. Sci Rep 16, 7747 (2026). https://doi.org/10.1038/s41598-026-36149-2

Ключевые слова: метаэвристическая оптимизация, алгоритм, вдохновлённый банковской деятельностью, глобальная оптимизация, инженерное проектирование, поисковый алгоритм