Sine cosine particle swarm optimization algorithm for optimizing large scale issues

Smartare sökningar för svåra problem

Från att planera säkra robotrutter genom trånga lagerlokaler till att finslipa elkraftnät och tekniska konstruktioner—dagens svåraste beräkningsuppgifter involverar ofta tusentals variabler och invecklade begränsningar. Traditionella sökmetoder kan bli överväldigade, slösa tid på återvändsgränder eller nöja sig med mediokra lösningar. Denna artikel presenterar en ny datoralgoritm som angriper stora, komplexa problem mer tillförlitligt och effektivt, och visar hur den kan vägleda robotar genom röriga, föränderlig miljöer utan kollisioner.

Varför stora problem är svåra att tygla

Många moderna utmaningar hör till det forskare kallar storskalig optimering: att hitta den bästa kombinationen bland ett enormt antal möjligheter. Föreställ dig att välja den kortaste, säkraste vägen för en robot när kartan är fylld av väggar, rörliga hinder och smala passager. Vanliga metoder som Particle Swarm Optimization (PSO) och Sine Cosine Algorithm (SCA) efterliknar grupper av enkla agenter som söker i ett landskap. De är lätta att använda och snabba, men tenderar att samlas kring lovande regioner för snabbt. Därför fastnar de ofta i lokala ”tillräckligt bra” punkter i stället för att hitta den verkligt bästa lösningen, särskilt när antalet dimensioner—oberoende val som måste göras—blir mycket stort.

Att slå samman två svärmar till en starkare sökning

För att övervinna dessa begränsningar utformar författaren en förbättrad hybridmetod kallad ISCA‑PSO, som förenar en förbättrad version av SCA med PSO. Två nyckelidéer driver uppgraderingen. För det första mäter en mekanism för dynamisk positionskorrigering kontinuerligt hur långt varje kandidatlösning ligger från den aktuella bästa. När en lösning är långt bort knuffar algoritmen den starkare mot den bästa regionen för att påskynda konvergens. När den redan är nära tillåts den behålla viss självständighet så att svärmen inte kollapsar för snabbt till en enda punkt. För det andra lånar en mekanism för ortogonal korsning verktyg från försöksplanering för att blanda information från olika bra lösningar på ett systematiskt sätt. I stället för slumpmässig korsning genererar den en liten men noggrant utvald uppsättning nya kandidater som sprider sig över sökutrymmet, bevarar mångfald samtidigt som den undviker en kombinatorisk explosion av möjligheter. Tillsammans låter dessa mekanismer hybridalgoritmen balansera bred utforskning med fokuserad förfining.

Sätta hybridmetoden på prov

Den nya algoritmen testas på en uppsättning krävande benchmark‑funktioner som forskare världen över använder för att jämföra optimeringsverktyg. Dessa funktioner är utformade för att vara bedrägliga, med många toppar, dalar och flacka regioner som kan få naiva sökmetoder att fastna. Över flera moderna testkollektioner och i dimensioner upp till tiotusen når ISCA‑PSO konsekvent lösningar mycket nära det teoretiska optimumet, samtidigt som variationen mellan körningar hålls mycket låg. I kontrast förlorar den ursprungliga SCA och flera andra avancerade metoder noggrannhet eller blir instabila när dimensionaliteten ökar. Statistiska tester bekräftar att prestandaförbättringarna inte beror på slump: hybridmetoden rankas i allmänhet först bland konkurrerande algoritmer för högdimensionella problem.

Vägleda robotar säkert genom trånga miljöer

För att visa att dessa förbättringar betyder något i praktiken tillämpar studien ISCA‑PSO på robotruttplanering. Rutter beskrivs som jämna kurvor byggda av sekvenser av vägpunkter, och säkerhet säkerställs genom att kräva ett minsta avstånd mellan robotens kropp och varje hinder. I två komplexa 2D‑kartor fyllda med barriärer hittar den nya algoritmen kortare rutter än flera välkända alternativ, samtidigt som den behåller bredare säkerhetsmarginaler. I mer krävande simuleringar med många rörliga hinder planerar den rutter som i upprepade försök helt undviker kollisioner, samtidigt som beräkningstiderna hålls rimliga. Rutterna är inte bara korta utan också relativt släta, vilket gör dem lättare för riktiga robotar att följa. Även i extrema 2D‑labyrinter med hundratals hinder och i invecklade 3D‑scener fyllda med barriärer uppnår ISCA‑PSO den bästa kombinationen av ruttlängd, framgångsfrekvens och robusthet bland en rad toppmoderna metoder.

Vad detta innebär för system i verkligheten

För icke‑specialister är huvudbudskapet att detta arbete levererar ett mer pålitligt sätt att söka i enorma, röriga lösningsrum. Genom att noggrant styra en virtuell svärm—dra ihop sig kring lovande områden utan att förlora möjligheten att utforska—hittar ISCA‑PSO‑algoritmen oftare bättre svar, även när problemen skalar upp dramatiskt. I konkreta termer innebär det robotar som kan manövrera säkert och effektivt genom trånga, föränderliga miljöer, och optimeringsverktyg som kan litas på i komplexa ingenjörsuppgifter där både precision och hastighet spelar roll. Framtida förlängningar som lägger till rikare miljö‑ och terrängmedvetenhet kan göra tillvägagångssättet ännu mer användbart i verkliga autonoma system.

Citering: 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

Nyckelord: large-scale optimization, metaheuristic algorithms, particle swarm, robot path planning, sine cosine algorithm