Улучшённый алгоритм оптимизации по образцу чёрнокрылой канюки с мультистратегическим гибридом и его применение

Умнее цифровые «воздушные змеи» для сложных инженерных задач

От проектирования более быстрых поездов до настройки энергосетей инженеры постоянно сталкиваются с задачами, которые слишком сложны для традиционных методов проб и ошибок. В этой работе представлен новый вычислительный «рой» — улучшённый алгоритм оптимизации по образцу чёрнокрылой канюки (IMBKA), имитирующий поведение птиц при разведке, атаке и миграции для нацеливания на наилучшее решение. Авторы также показывают, как этот более умный «рой» может помочь предсказать ключевой показатель безопасности в высокоскоростном железнодорожном транспорте: электрическое сопротивление контакта между пантографом на крыше поезда и контактным проводом.

Зачем нужны более продвинутые цифровые исследователи

Современные инженерные системы чрезвычайно сложны, с множеством взаимосвязанных переменных и конфликтующих требований. Классические инструменты оптимизации могут застревать на «достаточно хороших» ответах и пропускать более удачные варианты, скрытые в обширном пространстве возможностей. В последние годы исследователи обращаются к алгоритмам, вдохновлённым природой, которые имитируют поведение групп животных: стай рыб, стаи волков и косяков птиц в поисках пищи. Алгоритм чёрнокрылой канюки (BKA) относится к этому семейству и изначально был построен на том, как эти птицы кружат в небе при разведке, а затем пикируют, атакуя добычу. Несмотря на то что BKA уже превосходит несколько хорошо известных методов во многих задачах, он всё ещё страдает от двух серьёзных недостатков: начальные предположения могут быть неудачными, а поиск способен застревать в локальных тупиках.

Четыре улучшения виртуального роя

Улучшенная версия IMBKA совершенствует BKA в четырёх ключевых моментах поиска. Во‑первых, вместо случайного расселения начальных особей алгоритм использует тщательно разработанный «набор оптимальных точек», равномерно распределяющий их по пространству поиска. Это простое изменение повышает разнообразие и снижает риск того, что все кандидаты начнут в неудачном углу задачи. Во‑вторых, авторы вводят адаптивный вес на этапе атаки, по духу похожий на плавное сбрасывание газа при подъезде к цели. В начале запуска алгоритм делает более смелые шаги для широкого исследования; позже шаги уменьшаются, чтобы точнее донастраивать перспективные решения.

Осторожные манёвры, избегающие тупиков

В‑третьих, исследователи вводят предупредительное поведение, вдохновлённое другим орнитологическим методом — алгоритмом поиска воробьёв, а также спиральный шаблон движения, заимствованный у оптимизатора, основанного на поведении китов. В природе птицы на краю стаи следят за опасностью и направляют группу в сторону от угроз. В IMBKA это превращается в специальные ходы, которые помогают индивидуумам выбираться из рискованных или непродуктивных областей, одновременно спирально облетая хорошие кандидаты, чтобы тщательнее исследовать их окрестности. В‑четвёртых, алгоритм время от времени выполняет «полет Леви» — разновидность прыжка, смешивающего множество коротких перемещений с редкими длинными скачками. Эти прыжки помогают цифровым «змеям» вырываться из локальных ловушек и обнаруживать удалённые области, где может скрываться истинный глобальный оптимум, не теряя при этом способности внимательно исследовать окрестности перспективных точек.

Доказательство надёжности и тесты скорости

Чтобы показать, что IMBKA не только хитёр, но и надёжен, авторы строят математическую модель на основе цепей Маркова — стандартного инструмента для описания случайных процессов. Эта модель поддерживает строгий результат о том, что при достаточном времени алгоритм с вероятностью, стремящейся к единице, найдёт глобально лучшее решение. Затем они тестируют IMBKA на наборе из двенадцати эталонных задач, широко используемых для сравнения методов оптимизации. В контролируемых «абляционных» исследованиях они поочерёдно выключают и включают каждое из четырёх улучшений, показывая, что каждое из них полезно — и что их комбинация даёт наилучший результат. По сравнению с пятью другими современными алгоритмами IMBKA последовательно сходится быстрее, достигает меньшей ошибки и сохраняет более стабильную производительность как на простых, так и на сильно неровных тестовых ландшафтах.

Помощь высокоскоростным поездам в поддержании питания

Инструменты оптимизации наиболее важны, когда они приносят пользу реальному оборудованию. В качестве практической демонстрации команда использует IMBKA для настройки машины опорных векторов — популярной модели машинного обучения — чтобы предсказывать контактное сопротивление между пантографом и катенарой в железнодорожных системах. Это сопротивление влияет на то, насколько эффективно и надёжно передаётся энергия с контактного провода на поезд. Используя данные с собственной установки для испытаний скользящего контакта при разных скоростях, токах, давлениях и условиях вибрации, они сравнивают три модели: простую машину опорных векторов, версию, настроенную оригинальным BKA, и версию, настроенную IMBKA. Модель, основанная на IMBKA, сокращает ошибку прогнозирования примерно на четверть и улучшает показатель согласованности (R²) примерно на семнадцать процентов, что указывает на более точные и надёжные прогнозы контактного сопротивления.

Что это значит для повседневных технологий

Проще говоря, исследование показывает: если дать виртуальному рою «змей» более умные способы распределяться, адаптироваться, реагировать на опасность и время от времени совершать крупные прыжки, это приводит к лучшим решениям — быстрее. Для инженеров IMBKA предлагает более надёжный поисковый механизм для сложных задач проектирования, от энергетического оборудования до транспортных систем. А демонстрация реального улучшения в прогнозировании поведения контактных узлов высокоскоростного поезда свидетельствует о том, что такие алгоритмы, вдохновлённые природой, могут незаметно повышать безопасность, эффективность и экономичность технологий, от которых ежедневно зависят миллионы людей.

Цитирование: Hui, L., Kong, Y. Improved black-winged kite optimization algorithm with multi-strategy hybrid and its application. Sci Rep 16, 6768 (2026). https://doi.org/10.1038/s41598-026-36871-x

Ключевые слова: метагевристическая оптимизация, алгоритмы, вдохновлённые природой, алгоритм чёрнокрылой канюки, машина опорных векторов, сопротивление токоприёмника‑катенарной системы