Улучшенный оптимизатор связанной банковской системы с несколькими стратегиями для задач численной оптимизации

Более умный поиск для сложных задач проектирования

Современная инженерия и науки о данных полны трудных задач «настройки»: выбрать наилучший профиль моста, наиболее эффективную конфигурацию энергосети или подходящие параметры модели машинного обучения. Эти задачи похожи на огромные горные хребты с множеством вершин и впадин, где вручную найти высшую вершину невозможно. В статье представлен новый метод компьютерного поиска — Улучшенный оптимизатор связанной банковской системы (ECBSO), который использует метафору банковской сети для исследования таких ландшафтов более разумно и надежно по сравнению с многими существующими подходами.

От банковских переводов к лучшим решениям проектирования

ECBSO развивается из более раннего алгоритма, называвшегося Connected Banking System Optimizer (CBSO). CBSO представляет сеть банков, пересылающих деньги по разным маршрутам. Каждый возможный маршрут соответствует кандидатному решению задачи проектирования, а время перевода отражает качество этого решения. Пробуя множество маршрутов и корректируя их со временем, алгоритм ищет более быстрые, эффективные пути — другими словами, лучшие решения. У CBSO был один существенный плюс: ему требовалось минимальное количество вручную настроенных параметров, что упрощало применение. Но у него были и слабые стороны: он плохо обменивался информацией между «банками» и слишком резко переходил от широкого поиска к тонкой донастройке, часто застревая на второсортных решениях.

Три новых приёма: обратная связь, обновление и модели распределения

Авторы расширяют CBSO до ECBSO, добавляя три взаимодополняющие идеи. Во‑первых, стратегия выбора на основе обратной связи позволяет каждой «банке» реагировать на собственную недавнюю производительность. Если определённый способ обновления маршрута улучшает результат, этот стиль сохраняется; если нет, банк переключается на другой стиль в следующий раз. Эта простая петля обратной связи заменяет жёсткие, заранее заданные этапы и даёт поиску возможность адаптироваться на ходу к любому встреченному ландшафту. Во‑вторых, стратегия регенерации популяции время от времени обновляет только часть популяции, вместо того чтобы встряхивать всех сразу. Она измеряет, насколько разнесены решения и как быстро они улучшаются, затем избирательно регенерирует некоторых кандидатов, когда поиск замедляется или слишком сужается.

Изучение формы пространства поиска

Третья идея, называемая оценкой распределения, ищет закономерности в лучших найденных решениях. Вместо того чтобы слепо толкать кандидатов по одной координате за раз, ECBSO строит простую статистическую картину того, как расположены хорошие решения в пространстве. Затем он генерирует новых кандидатов, следуя этой изученной модели, уделяя особое внимание направлениям, где переменные кажутся сильно связаны. Это помогает поиску двигаться более разумно по сложным ландшафтам: сначала охватывать большие области, а затем фокусироваться на перспективных регионах. Новые кандидаты, сгенерированные по изученной модели, смешиваются с теми, что получены оригинальным банковским процессом, и далее проходят только лучшие выжившие, сохраняя как разнообразие, так и давление на улучшение.

Тестирование метода

Чтобы оценить, действительно ли эти идеи помогают, авторы запускают ECBSO на большом, хорошо известном наборе искусственных тестовых задач CEC-2017. Эти задачи имитируют многие трудности реального мира: некоторые имеют одну явную наилучшую точку, в то время как другие содержат множество обманчивых вершин или «сшитых» ландшафтов. ECBSO сравнивают с десятью передовыми конкурентами из разных семейств методов поиска, включая эволюционные, ройные, физически вдохновлённые и математически мотивированные алгоритмы. С помощью стандартных статистических тестов исследование показывает, что ECBSO обычно находит лучшие решения и делает это стабильно, особенно в задачах с высокой размерностью, где более простые методы часто терпят неудачу.

От бенчмарков к реальной инженерии

Помимо синтетических тестов, авторы применяют ECBSO к десяти реальным задачам инженерного проектирования, таким как проектирование пружин, сосудов под давлением, передач и деталей для роботов при множественных ограничениях по безопасности и стоимости. Это задачи с ограничениями, что означает: многие внешне хорошие проекты на самом деле запрещены, потому что нарушают требования по прочности, размерам или характеристикам. ECBSO справляется с этим, штрафуя нарушения правил, в то время как его три стратегии направляют поиск к допустимым и высококачественным решениям. В этих примерах он часто занимает верхние позиции по сравнению с тем же набором конкурирующих алгоритмов и даёт решения, которые не только хороши, но и стабильны от запуска к запуску.

Что это значит для повседневных технологий

Проще говоря, статья демонстрирует, что добавление простой обратной связи, выборочного обновления и обучения шаблонам к банковоподобному поиску может заметно улучшить способность компьютера решать сложные задачи проектирования. ECBSO требует немного больше вычислительного времени по сравнению со своим прародителем, но отдача — в виде лучших и более надёжных решений — того стоит, особенно в сложных задачах высокой размерности. Поскольку оптимизация незримо лежит в основе таких областей, как энергетика, транспорт, финансы и медицинская визуализация, методы вроде ECBSO обещают сделать «настройку» повседневных технологий более эффективной, устойчивой и адаптивной.

Цитирование: Yin, Y., Liu, H., Cai, S. et al. An enhanced connected banking system optimizer with multiple strategies for numerical optimization problems. Sci Rep 16, 12564 (2026). https://doi.org/10.1038/s41598-026-38261-9

Ключевые слова: метаэвристическая оптимизация, инженерное проектирование, алгоритмы глобального поиска, численная оптимизация, модели банковских сетей