Modulär Harris Hawks-optimering med trendstyrd differential evolution och Gaussisk utforskning för global optimering och ingenjörsdesign

Smartare sökning för bättre konstruktioner

Från att utforma lättare broar till att finjustera neurala nätverk står ingenjörer och forskare ständigt inför problem där de måste sålla bland enorma mängder alternativ för att hitta det bästa. Traditionellt trial-and-error eller även moderna datoralgoritmer kan lätt fastna i mediokra lösningar, särskilt när designutrymmet är stort och skrovligt. Denna studie introducerar en ny sökmetod kallad DEHHO som syftar till att utforska dessa svåra landskap mer intelligent, hitta bättre svar snabbare och mer tillförlitligt.

Varför det är så svårt att hitta det bästa alternativet

Många verkliga problem kan ses som landskap: varje punkt representerar en annan design och höjden visar hur bra eller dålig den är. Dessa landskap är ofta kuperade, med otaliga kullar och dalar. Utmaningen är att hitta den lägsta dalen (den bästa designen) utan att fastna på en närliggande kulle (en bara hyfsad lösning). En populär algoritm inspirerad av jaktbeteendet hos Harris-höklar, kallad HHO, har använts för att tackla sådana problem eftersom den är enkel och inte kräver kännedom om landskapets exakta form. Men när antalet designval blir mycket stort tenderar ursprungliga HHO att tappa riktning, klustra för snabbt och cirkulera kring bra-men-icke-bästa lösningar.

Att blanda två idéer: försiktig vandring och riktad rörelse

Författarna föreslår DEHHO, en modulär justering av HHO som förenar två kompletterande idéer. För det första, under det tidiga "utforsknings"-stadiet lägger DEHHO till kontrollerat Gaussiskt brus — en sorts mild, slumpmässig skakning — till positionerna hos kandidatlösningarna. Istället för att hoppa blint över hela landskapet uppmuntrar detta lilla skak att sökningen noggrant undersöker lovande regioner samtidigt som populationens mångfald bevaras. För det andra, under det senare "utnyttjande"-stadiet lånar DEHHO en mekanism från en annan framgångsrik metod, Differential Evolution. Här rör sig varje kandidat inte bara mot den nuvarande bästa utan också i en riktning formad av skillnaderna mellan andra kandidater och av dess egen senaste rörelsehistoria, en form av momentum. Detta trendstyrda steg jämnar ut vägen över landskapet, minskar zig-zagande som slösar tid och kan få sökningen att stagnera.

Testning på tuffa matematiska standardproblem

För att se om dessa idéer lönar sig testade forskarna DEHHO på två krävande samlingar av standardtestproblem kända som CEC 2017 och CEC 2020. Dessa benchmarks inkluderar både släta och skrovliga landskap, sådana med många vilseledande lokala dalar och sådana där variabler interagerar på komplicerade sätt. Teamet körde DEHHO och tio rivaliserande algoritmer — fem uppgraderade former av HHO och fem andra välkända sökmetoder — på problem med 50 och 100 designdimensioner, vilket innebär att sökutrymmet var extremt stort. Över de flesta av de 39 benchmarkfunktionerna nådde DEHHO lägre felvärden och gjorde det konsekvent över 30 oberoende körningar, trots att dess inställningar hölls fasta istället för att justeras för varje fall. Statistiska tester bekräftade att dessa vinster sannolikt inte berodde på slumpen.

Från ekvationer till verkliga maskiner

Utöver abstrakta matematiska problem undersökte studien hur DEHHO presterar på klassiska ingenjörsuppgifter: dimensionering av en trestängerstruss, en svetsad balk och en hastighetsreducerande mekanism. Varje konstruktion måste uppfylla strikta säkerhets- och prestandakrav samtidigt som vikt eller kostnad minimeras. DEHHO använde en straff-och-barriär-teknik för att gynna lösningar som håller sig inom tillåtna gränser samtidigt som den driver mot gränserna där de bästa avvägningarna ofta finns. I alla tre fallen matchade eller förbättrade den antingen de bästa kända lösningarna något samtidigt som den respekterade begränsningarna, och den gjorde det mer pålitligt än konkurrerande algoritmer. Detta tyder på att metoden inte bara är en teoretisk nyfikenhet utan ett praktiskt verktyg för svår ingenjörsdesign.

Vad det betyder för icke-specialister

I vardagliga termer är DEHHO som att kombinera en försiktig spejare som utforskar närområdet med en erfaren vandrare som minns vilka riktningar som tidigare lett nedåt. Spejarens försiktiga vandring (Gaussisk utforskning) hindrar gruppen från att slå sig ner för tidigt på en dålig lägerplats, medan vandrarens känsla för riktning (trendstyrd evolution) hjälper gruppen att effektivt ta sig ner mot dalbotten. Resultaten visar att denna enkla, modulära kombination kan söka igenom mycket stora och knepiga designutrymmen med bättre noggrannhet och stabilitet än flera etablerade metoder, utan en stor ökning av beräkningskostnaden. För alla som litar på datorer för att hitta bättre former, scheman eller inställningar — vare sig inom teknik, datavetenskap eller utanför — erbjuder DEHHO ett mer pålitligt sätt att komma närmare den verkliga bästa lösningen.

Citering: Kang, F., Su, X. Modular Harris Hawks optimization with trend-guided differential evolution and Gaussian exploration for global optimization and engineering design. Sci Rep 16, 6007 (2026). https://doi.org/10.1038/s41598-026-35565-8

Nyckelord: global optimering, metaheuristiska algoritmer, Harris Hawks-optimering, differential evolution, ingenjörsdesign