Искусственный рой пчёл с обучением и переносом знаний через нейронную сеть для глобальной оптимизации

Более умные цифровые рои для сложных задач

Многие из самых трудных задач сегодня — от настройки солнечных панелей до планирования маршрутов доставки — сводятся к поиску на огромных пространствах вариантов лучшего решения. Алгоритмы, вдохновлённые роем, которые имитируют поведение пчёл или птиц при исследовании окружения, широко применяются для такого поиска. Но классические ройные методы в основном полагаются на случайность, а не на память. В этой статье предложен способ заставить популярный алгоритм на основе пчёл действительно «учиться» на опыте, превратив его из хитрого угадывателя в основанный на данных решатель задач.

От слепого блуждания к управляемому исследованию

Традиционные методы поиска можно представить как туристов, бродящих по туманным горам в надежде найти высшую вершину. Простейший «случайный поиск» шагает куда попало, медленно улучшая результат. Более продвинутые эволюционные алгоритмы, включая метод искусственной колонии пчёл (ABC), используют правила, вдохновлённые естественным отбором и поиском пищи: одни виртуальные пчёлы исследуют новые области, другие эксплуатируют удачные точки, а неудачные места покидаются. Тем не менее эти методы в значительной степени игнорируют богатую историю того, что срабатывало ранее. Каждое новое действие выбирается с небольшим учётом детальных закономерностей прошлых успехов, что может приводить к медленному прогрессу или застреванию на среднестатистическом холме вместо истинного пика.

Обучение пчёл запоминать и предсказывать

Авторы предлагают Learning-Aided Artificial Bee Colony (LA-ABC), который модернизирует стандартный пчелиный алгоритм с помощью простой искусственной нейронной сети — своего рода математического «мозга». Пока цифровые пчёлы ищут решения, алгоритм фиксирует «успешные ходы»: каждый раз, когда новая кандидатная решение явно улучшает старое, пара сохраняется в скользящем архиве. Эти примеры формируют банк опыта, фиксирующий, как обычно эволюционируют хорошие решения. Нейронная сеть обучается онлайн, в ходе выполнения, чтобы выучить отображение «до» → «после»: получив перспективное решение, она предсказывает, как его подвинуть в сторону ещё лучшего.

Два пути: случайность против обучения

Когда этот обучающий механизм включён, LA-ABC работает в двух чередующихся режимах. В одном режиме пчёлы ведут себя как в оригинальном ABC, используя правила, похожие на случайные, чтобы сохранить исследование и избежать чрезмерной уверенности. В другом режиме алгоритм обращается к своей обученной модели. Для выбранной пчелы нейросеть предлагает улучшенную позицию, и добавляется небольшая доля случайности, чтобы рой не стал жёстким или не переобучился на ранних данных. Ручка управления определяет, как часто используется путь, управляемый обучением, балансируя широкий поиск и целенаправленную доработку. Такая конструкция позволяет ро́ю извлекать выгоду из накопленного опыта, одновременно продолжая изучать новые, не исследованные области.

Испытание обученных роёв

Чтобы проверить, действительно ли обучение помогает, авторы протестировали LA-ABC на десятках математических тестовых функций, известных своей сложностью: на гладких и неровных ландшафтах, с одной вершиной и множественными пиками, а также на сложных гибридах. Они сравнили его с дюжиной передовых алгоритмов, включая улучшенные версии дифференциальной эволюции, оптимизации роя частиц и других методов с использованием знаний или подкрепляющего обучения. В большинстве тестов LA-ABC быстрее и надёжнее достигает лучших решений, что подтверждается множественными статистическими проверками. Авторы затем применили метод к практической инженерной задаче: оценке скрытых электрических параметров фотогальванических (солнечных) моделей. Здесь LA-ABC восстанавливает значения параметров, которые не только соответствуют физическим ожиданиям — таким как реалистичные сопротивления и поведение диодов — но и воспроизводят реальные измерения с особенно низкой погрешностью.

Почему это важно для реальных технологий

Исследование показывает, что добавление скромного компонента обучения к ройным алгоритмам может заметно повысить их поисковую силу, не сделав их громоздкими. LA-ABC сохраняет простоту и гибкость, которые сделали оригинальный пчелиный алгоритм популярным, добавляя при этом память о прошлых успехах, которая мягко направляет будущие решения. Для неспециалистов ключевой вывод в том, что многие инструменты оптимизации, используемые в инженерии, энергетике, логистике и даже машинном обучении, можно сделать более эффективными, встроив небольшие, целенаправленные модули обучения. Вместо бесконечных догадок эти цифровые рои начинают вести себя больше как опытные исследователи — запоминая, где они побывали, и используя этот опыт, чтобы подниматься к лучшим решениям.

Цитирование: Saini, G., Jadon, S.S. & Chaube, S. Learning-aided Artificial Bee Colony with neural knowledge transfer for global optimization. Sci Rep 16, 7019 (2026). https://doi.org/10.1038/s41598-026-38028-2

Ключевые слова: ройный интеллект, искусственная колония пчёл, нейронные сети, оптимизация, солнечная энергия