Алгоритм оптимизации роя частиц с синус‑косинусной составляющей для задач крупного масштаба

Более умный поиск для хитрых задач

От прокладывания безопасных маршрутов роботов в переполненных складах до тонкой настройки энергосистем и инженерных конструкций — нынешние самые сложные вычислительные задачи часто включают тысячи переменных и запутанные ограничения. Традиционные методы поиска могут оказаться перегружены, тратя время на тупиковые направления или соглашаясь на посредственные решения. В этой работе представлен новый компьютерный алгоритм, который надежнее и эффективнее решает такие большие, сложные задачи, а также демонстрируется, как он может направлять роботов по загроможденным, меняющимся средам без столкновений.

Почему большие задачи трудно укротить

Многие современные проблемы относятся к тому, что исследователи называют оптимизацией крупного масштаба: поиск наилучшей комбинации среди огромного числа возможных вариантов. Представьте, что нужно выбрать самый короткий и безопасный маршрут для робота, когда карта заполнена стенами, движущимися препятствиями и узкими проходами. Популярные методы, такие как оптимизация роя частиц (PSO) и синус‑косинусный алгоритм (SCA), имитируют группы простых агентов, исследующих ландшафт. Они просты в применении и быстры, но склонны слишком быстро скапливаться вокруг привлекательных областей. В результате они часто застревают в локальных «достаточно хороших» точках вместо того, чтобы обнаружить действительно лучшее решение, особенно когда число размерностей — независимых выборов, которые нужно сделать — становится очень большим.

Слияние двух роев в более сильный поиск

Чтобы преодолеть эти ограничения, автор разработал улучшенный гибридный метод под названием ISCA‑PSO, который объединяет расширенную версию SCA с PSO. Две ключевые идеи питают это улучшение. Во‑первых, механизм динамической коррекции положения непрерывно измеряет, насколько каждый кандидат решения удалён от текущего лучшего. Когда решение далеко, алгоритм сильнее подтягивает его в сторону лучшей области, чтобы ускорить сходимость. Когда оно уже близко, метод даёт ему сохранять некоторую независимость, чтобы рой не схлопнулся слишком быстро в одну точку. Во‑вторых, механизм ортогонального скрещивания заимствует инструменты из планирования экспериментов для систематического смешения информации от разных хороших решений. Вместо случайного кроссовера он генерирует небольшой, но тщательно отобранный набор новых кандидатов, которые распределяются по пространству поиска, сохраняя разнообразие и избегая комбинаторного взрыва вариантов. Вместе эти механизмы позволяют гибридному алгоритму балансировать между широким исследованием и сосредоточенной доработкой.

Тестирование гибрида

Новый алгоритм протестирован на наборе требовательных эталонных функций, которые исследователи по всему миру используют для сравнения инструментов оптимизации. Эти функции спроектированы так, чтобы вводить в заблуждение: они содержат множество пиков, впадин и плоских областей, которые могут поймать наивные методы поиска. В нескольких современных тестовых коллекциях и в размерностях до десяти тысяч ISCA‑PSO последовательно достигает решений, чрезвычайно близких к теоретическому оптимуму, при этом сохраняя очень низкую вариативность между запусками. В отличие от этого, исходный SCA и несколько других продвинутых методов теряют точность или становятся нестабильными по мере увеличения размерности. Статистические тесты подтверждают, что прирост эффективности не случаен: гибридный метод в целом занимает первое место среди конкурирующих алгоритмов на задачах высокой размерности.

Безопасное проведение роботов через переполненные пространства

Чтобы показать, что эти улучшения значимы на практике, исследование применяет ISCA‑PSO к планированию траекторий роботов. Пути описываются как гладкие кривые, построенные из последовательностей контрольных точек, а безопасность обеспечивается требованием минимального расстояния между телом робота и любым препятствием. На двух сложных 2D‑картах, заполненных барьерами, новый алгоритм находит более короткие пути, чем несколько хорошо известных альтернатив, при этом сохраняя более широкие запасы безопасности. В более требовательных симуляциях с множеством движущихся препятствий он прокладывает маршруты, которые полностью избегают столкновений в повторяющихся испытаниях, сохраняя при этом приемлемое время вычислений. Пути получаются не только короткими, но и относительно плавными, что облегчает их выполнение реальными роботами. Даже в экстремальных 2D‑лабиринтах с сотнями препятствий и в сложных 3D‑сценах, заполненных препятствиями, ISCA‑PSO достигает наилучшего сочетания длины пути, частоты успеха и устойчивости среди ряда современных методов.

Что это значит для реальных систем

Для неспециалистов ключевое сообщение таково: эта работа предлагает более надёжный способ поиска в огромных, хаотичных пространствах решений. Тщательно направляя виртуальный рой — стягивая его вокруг перспективных областей, не теряя при этом способности исследовать — алгоритм ISCA‑PSO чаще находит лучшие ответы, даже когда масштабы задач значительно растут. В практическом смысле это означает роботов, которые могут безопасно и эффективно лавировать в переполненных, меняющихся средах, и инструменты оптимизации, которым можно доверять при решении сложных инженерных задач, где важны и точность, и скорость. Дальнейшие расширения с более глубоким учётом рельефа и окружения могут сделать этот подход ещё более полезным в реальных автономных системах.

Цитирование: Wang, Y. Sine cosine particle swarm optimization algorithm for optimizing large scale issues. Sci Rep 16, 12303 (2026). https://doi.org/10.1038/s41598-026-41180-4

Ключевые слова: оптимизация крупного масштаба, метагевристические алгоритмы, рой частиц, планирование маршрута робота, синус‑косинусный алгоритм