En geometrisk valoptimeringsalgoritm med triangulär flykt för numerisk optimering och ingenjörsdesign

Smartare sökningar för bättre konstruktioner

Från lättare bildelar till billigare energiledningar förlitar sig modern ingenjörskonst på att välja bästa möjliga konstruktion bland oändligt många alternativ. Men att testa varje kombination är omöjligt. Denna artikel presenterar en ny datorstödd sökmetod, inspirerad av valjakt och geometriska mönster, som snabbt kan zooma in på utmärkta konstruktioner för komplexa ingenjörssystem.

Varför det är så svårt att hitta den “bästa” konstruktionen

Många verkliga designproblem — från fjädrar och balkar till gaskompressorer och reaktornätverk — liknar landskap med otaliga kullar och dalar. Varje punkt representerar en specifik konstruktion; höjden visar hur bra eller dålig den är. Traditionella metoder som följer lokala lutningar kan lätt fastna på en närliggande liten kulle i stället för att hitta den högsta toppen. Metaheuristiska algoritmer uppfanns för att hantera detta: i stället för att gå i rak linje sänder de ut ett ”svärn” av kandidatlösningar som tillsammans utforskar landskapet, letar efter bättre alternativ och delar information sinsemellan.

Hur valinspirerat sök fungerar

Valoptimeringsalgoritmen modellerar hur knölvalar omringar och spiralar runt byten i havet. Varje virtuell val är en prövdesign; när de rör sig agerar den bäst presterande valen som ledare, och de andra justerar sina positioner för att närma sig lovande regioner. Den ursprungliga metoden är enkel och flexibel, men i svåra problem kan den förlora mångfald, trängas runt en medioker lösning och sluta förbättras. Författarna analyserar dessa svagheter — dåliga startpositioner, riktningslöst vandrande och alltför rigida rörelseregler — och försöker åtgärda dem utan att göra metoden tung eller långsam.

Geometriska knep för bättre sökningar

Den nya metoden, kallad Geometric Whale Optimization Algorithm with Triangular Flight (ESTGWOA), omformar hur valarna sprider sig och rör sig. Först använder den en Good Nodes Set för att placera initiala val i ett mycket jämnt geometriskt mönster, så att sökningen täcker hela rummet i stället för att klumpa sig slumpmässigt. Därefter styr ett Elite-Guided Searching-steg valarna med både den nuvarande bästa designen och populationens genomsnittliga position, vilket ger rörelser som är målinriktade utan att blint följa ledaren. Två nya rörelsemönster imiterar graciösa, kurviga manövrar: en spiralbaserad ”inkringnings”rörelse som låter valarna pröva runt lovande områden utan att låsa sig för snabbt, och en triangulärspiral jaktbana som lägger till kontrollerad slumpmässighet för att undkomma lokala fällor och förfina lösningar.

Lägga till en nypa kontrollerad slump

För att undvika den stagnation som ofta inträffar sent i sökningen lånar författarna idéer från en annan kraftfull teknik, Differential Evolution. De skapar ”muterade” kopior av vissa konstruktioner genom att kombinera information från flera val, och lägger sedan till milda Gaussiska knuffar i olika storlekar. Dessa mutationer skjuter ibland sökningen ur ett spår och in i outforskade regioner nära lovande punkter. Samtidigt reduceras inte längre en viktig intern kontroll, kallad konvergensfaktorn, linjärt; i stället följer den en S-formad kurva. I början uppmuntrar detta bred utforskning, därefter övergår det snabbt till fokuserad finslipning, och slutligen bromsar det igen för att bevara lite flexibilitet.

Bevis på att det fungerar på tester och verkliga konstruktioner

Teamet utvärderar ESTGWOA på 23 standardiserade matematiska testfunktioner som inkluderar släta skålar, skrovliga landskap med många lokala toppar och invecklade blandformer. I måttliga och höga dimensioner (30, 50 och 100 variabler) överträffar den nya algoritmen flera välkända konkurrenter, inklusive tidigare valinspirerade varianter och andra djur- och fysikinspirerade metoder. Den når i genomsnitt bättre lösningar, med mindre spridning mellan körningarna, och statistiska tester bekräftar att förbättringarna inte beror på slumpen. Författarna tar sig sedan an sju klassiska ingenjörsdesignutmaningar, såsom flerdiskkopplingar, gastillförselkompressorer, fjädrar, balkar, fackverk och hävstänger. I nästan varje fall hittar ESTGWOA lättare eller billigare konstruktioner samtidigt som alla säkerhets- och prestandagränser respekteras.

Vad detta betyder för vardagsteknik

Kort sagt är den nya geometriska valmetoden ett smartare sätt för datorer att ”söka i designernas hav”. Genom att sprida sig jämnt, följa flexibla spiral- och triangulära banor och ibland mutera lovande lösningar, upprätthåller den en sund balans mellan bred utforskning och noggrann förfining. Resultatet är en algoritm som pålitligt hittar högkvalitativa konstruktioner för komplexa, verkliga system utan extra matematiska antaganden. För industrier som måste väga kostnad, styrka, säkerhet och effektivitet samtidigt kan sådana verktyg förkorta utvecklingscykler och avslöja lösningar som kanske aldrig skulle hittas genom intuition ensam.

Citering: Wei, J., Zhang, R., Gu, Y. et al. A Geometric Whale Optimization Algorithm with Triangular Flight for Numerical Optimization and Engineering Design. Sci Rep 16, 8526 (2026). https://doi.org/10.1038/s41598-026-37387-0

Nyckelord: metaheuristisk optimering, valoptimeringsalgoritm, ingenjörsdesign, numerisk optimering, svärmintelligens