Усовершенствованный алгоритм Red-billed Blue Magpie Optimizer для задач инженерной оптимизации

Более умный поиск — лучшие конструкции

Когда инженеры проектируют зубчатую передачу, сосуд под давлением или подшипник, они сталкиваются с задачей: среди бесчисленных возможных форм и размеров выбрать ту, которая работает лучше всего, безопасна и стоит дешевле. Традиционные математические методы часто теряются в этом лабиринте вариантов. В статье представлена новая компьютерная стратегия поиска, вдохновлённая поведением птиц, которая способна надёжнее ориентироваться в таких сложных ландшафтах проектирования и находить качественные решения для трудных инженерных задач.

Как виртуальные птицы исследуют пространство проектных решений

Метод называется «Усовершенствованный оптимизатор Red‑billed Blue Magpie» (ERBMO). Он относится к семейству приёмов, известных как метагевристические алгоритмы, которые имитируют природные процессы — например, эволюцию или поведение стай животных — чтобы искать хорошие ответы без необходимости иметь точные формулы для каждой особенности задачи. ERBMO базируется на привычках кормёжки красноноких сойок‑синешапок — социальных птиц, которые исследуют пространство группами, сближаются с находками и хранят их. В алгоритме множество «агентов» играют роль птиц. Каждый агент представляет собой кандидатное проектное решение в многомерном пространстве; вместе они бродят, взаимодействуют и постепенно смещаются к лучшим решениям, стараясь не застрять на участках, которые лишь «достаточно хороши».

Держать стаю любопытной и сосредоточенной

Авторы выделяют ключевую проблему для таких птице‑подобных поисков: баланс между любопытством (исследованием новых областей) и сосредоточенностью (использованием перспективных регионов). ERBMO решает её тремя скоординированными стратегиями. Во‑первых, адаптивная по разнообразию схема взвешивания постоянно регулирует, насколько смело движутся виртуальные птицы, исходя из того, насколько различны их текущие проекты и как быстро улучшается лучшее решение. Если прогресс замедляется или стая сильно рассредоточена, алгоритм поощряет более широкий поиск; если птицы уже наметили что‑то перспективное, он усиливает фокусировку. Во‑вторых, периодический паттерн‑поиск включается время от времени, временно меняя способ зондирования пространства проектов. Это целенаправленное исследование помогает тщательнее дорабатывать перспективные области и выходить из вводящих в заблуждение локальных ловушек.

Смешивая небольшие доработки с большими скачками

Третья стратегия добавляет слой контролируемой случайности. ERBMO использует вероятностный шаг мутации, который иногда слегка подталкивает решения, а иногда перемещает их далеко по всему пространству поиска. Небольшие «гауссовские» корректировки позволяют тонко настроить конструкцию, уже близкую к оптимальной, а большие равномерные прыжки дают возможность вырваться из тупиков и открыть совершенно новые области. Вероятность срабатывания этих мутаций меняется со временем, постепенно смещаясь от широких экспериментов к тщательной полировке. В сумме эти три идеи помогают виртуальным сойкам поддерживать здоровое сочетание разнообразия и сходимости на протяжении всего запуска.

Проверка алгоритма на практике

Чтобы понять, действительно ли более умная кооперация стаи даёт результат, авторы протестировали ERBMO на требовательных наборах эталонных задач, широко используемых в сообществе оптимизации. Эти синтетические задачи включают гладкие долины, шероховатые ландшафты с множеством ложных вершин и составные гибридные поверхности. Во многих размерах задач ERBMO последовательно занимал первые места среди десятка и более современных алгоритмов, включая его предшественника и несколько хорошо известных методов, таких как оптимизация роем частиц, дифференциальная эволюция и стратегии эволюции с матрицей ковариаций. Новый метод оказался особенно силён в задачах высокой размерности, где пространство поиска становится экстремально большим и многие конкурирующие методы дают сбои.

Реальные инженерные конструкции в прицеле

Далее исследование вышло за рамки тестовых функций и перешло к реальным инженерным задачам. ERBMO применили для минимизации массы редуктора скорости, снижения стоимости сосуда под давлением, уменьшения массы ступенчатого конусного шкива и сокращения потерь мощности в гидростатическом упорном подшипнике — всё это при строгих требованиях по безопасности и характеристикам. В каждом случае новый оптимизатор либо сравнялся с лучшими известными решениями, либо превзошёл их, причём результаты были стабильны при повторных запусках. Хотя ERBMO требует несколько больше вычислительного времени, чем некоторые более простые конкуренты, авторы утверждают, что выигрыш в точности и надёжности оправдывает такие затраты в задачах высокого значения.

Что это значит для будущих конструкций

Проще говоря, работа показывает, как тщательно спроектированная «рой виртуальных птиц» может помочь инженерам просеивать огромное число вариантов проектирования и останавливать выбор на лучших, более безопасных и эффективных решениях. Автоматически регулируя режимы исследования и доработки вариантов, ERBMO избегает распространённых ловушек, в которые попадают более простые методы. По мере того как такие интеллектуальные инструменты поиска будут развиваться, они обещают ускорить разработку продуктов и улучшить характеристики в областях от энергетики до транспорта и производства.

Цитирование: Wang, H., Xin, Z., Qi, X. et al. Enhanced Red-billed Blue Magpie Optimizer for engineering optimization problems. Sci Rep 16, 10619 (2026). https://doi.org/10.1038/s41598-026-44507-3

Ключевые слова: метагевристическая оптимизация, роевая разведывательность, инженерное проектирование, глобальные алгоритмы поиска, вычислительная оптимизация