Trend-kılavuzlu diferansiyel evrim ve Gauss keşfi ile modüler Harris Hawks optimizasyonu: küresel optimizasyon ve mühendislik tasarımı

Daha İyi Tasarımlar için Daha Akıllı Arama

Daha hafif köprüler tasarlamaktan sinir ağlarını ayarlamaya kadar mühendisler ve bilim insanları, en iyi olanı bulmak için çok sayıda olasılık arasından seçim yapmak zorunda kaldıkları bulmacalarla sürekli karşılaşıyor. Geleneksel deneme-yanılma yöntemleri veya modern bilgisayar algoritmaları, özellikle tasarım alanı çok geniş ve engebeliyse, kolayca vasat çözümlerde "takılıp" kalabilir. Bu çalışma, DEHHO adını taşıyan ve bu zor arazileri daha akıllıca keşfetmeyi amaçlayan, daha hızlı ve daha güvenilir şekilde daha iyi çözümler bulan yeni bir arama yöntemi tanıtıyor.

En İyi Seçeneği Bulmayı Zorlaştıran Nedir?

Birçok gerçek problemin manzara gibi düşünülebileceği söylenebilir: her nokta farklı bir tasarımı, yüksekliği ise onun ne kadar iyi veya kötü olduğunu temsil eder. Bu manzaralar sıklıkla çıplak taşlıdır; sayısız tepe ve vadi vardır. Zorluk, en alçak vadiyi (en iyi tasarımı) bulmak, ama yakınlardaki bir tepeye (sadece fena olmayan bir çözüme) takılıp kalmamaktır. Harris şahinlerinin avlanma davranışından esinlenen ve HHO adıyla bilinen popüler bir algoritma, manzaranın tam şeklini bilmeye gerek duymadan bu tür sorunlarla başa çıkmak için kullanıldı. Ancak tasarım seçeneklerinin sayısı çok arttığında, orijinal HHO yön duygusunu kaybetme, çok hızlı kümelenme ve iyi ama en iyi olmayan çözümlerin etrafında dolanma eğilimi gösteriyor.

İki Fikri Birleştirmek: Titiz Keşif ve Yönlendirilmiş Hareket

Yazarlar, HHO'yu modüler bir şekilde değiştiren DEHHO'yu, birbirini tamamlayan iki fikri harmanlayarak öneriyor. Birincisi, erken "keşif" aşamasında DEHHO, aday çözümlerin konumlarına kontrollü Gauss gürültüsü—yani nazik, rastgele bir titreme—ekliyor. Tüm manzaraya körü körüne sıçramak yerine bu titreme, popüler bölgelere dikkatle bakmayı teşvik ederken popülasyonda çeşitliliği koruyor. İkincisi, sonraki "sömürü" (exploitation) aşamasında DEHHO, başka bir başarılı yöntem olan Diferansiyel Evrim'den bir mekanizma ödünç alıyor. Burada her aday çözüm yalnızca mevcut en iyiye doğru hareket etmekle kalmıyor; aynı zamanda diğer adaylar arasındaki farklar ve kendi yakın geçmiş hareketleri tarafından şekillendirilen bir yönde ilerliyor; bir tür momentum. Bu trend-kılavuzlu adım, manzara üzerindeki yolu düzleştirip zaman kaybettiren zikzaklı hareketleri azaltıyor ve aramanın tıkanmasını engelliyor.

Zor Matematiksel Benchmark’larda Test Etme

Bu fikirlerin işe yarayıp yaramadığını görmek için araştırmacılar DEHHO'yu CEC 2017 ve CEC 2020 olarak bilinen iki zorlu standart test koleksiyonunda denediler. Bu benchmark’lar hem düzgün hem engebeli manzaraları, çok sayıda aldatıcı yerel vadi içerenleri ve değişkenlerin karmaşık şekilde etkileştiği problemleri kapsıyor. Ekip, DEHHO'yu ve on rakip algoritmayı—HHO’nun beş yükseltilmiş formunu ve beş başka tanınmış arama yöntemini—50 ve 100 tasarım boyutlu problemlerde çalıştırdı; bu da arama uzayının son derece büyük olduğu anlamına geliyor. 39 benchmark fonksiyonunun çoğunda DEHHO, daha düşük hata değerlerine ulaşmayı başardı ve bu sonuçları 30 bağımsız çalışmada tutarlı biçimde yineledi; üstelik ayarları her vakaya göre inceltilmeden sabit tutuldu. İstatistiksel testler, bu kazanımların tesadüfe dayalı olma ihtimalinin düşük olduğunu doğruladı.

Denklemlerden Gerçek Makinalara

Soyut matematik problemlerinin ötesinde çalışma, DEHHO'nun bir üç çubuklu çerçeve (truss), bir kaynaklı kiriş ve bir hız düşürücü mekanizma gibi klasik mühendislik görevlerindeki performansını da inceledi. Her tasarım sıkı güvenlik ve performans kısıtlarını sağlamalı, aynı zamanda ağırlık veya maliyeti minimize etmelidir. DEHHO, izin verilen sınırlar içinde kalan tasarımları tercih etmek ancak en iyi ödünleşimlerin sıklıkla bulunduğu sınır noktalarına doğru itmek için ceza-ve-engel (penalty-and-barrier) taktiğini kullandı. Üç durumda da ya bilinen en iyi çözümlere eşdeğer sonuçlar elde etti ya da bunları hafifçe iyileştirdi ve kısıtlamalara uyarak bunu rakip algoritmalardan daha güvenilir şekilde başardı. Bu, yöntemin sadece teorik bir merak olmanın ötesinde, zor mühendislik tasarımları için pratik bir araç olduğuna işaret ediyor.

Uzman Olmayanlar İçin Anlamı

Günlük terimlerle DEHHO, yakındaki arazileri dikkatle keşfeden temkinli bir izci ile daha önce hangi yönlerin aşağı doğru götürdüğünü hatırlayan deneyimli bir yürüyüşçüyü birleştirmek gibidir. İzciye özgü dikkatli dolaşma (Gauss keşfi) grubun kötü bir kamp yerine çabuk yerleşmesini engellerken, yürüyüşçünün yön hissi (trend-kılavuzlu evrim) grubun vadinin tabanına verimli biçimde inmeye yardımcı olur. Sonuçlar, bu basit, modüler birleşimin, hesaplama maliyetinde büyük bir artış olmadan çok geniş ve karmaşık tasarım alanlarını birçok yerleşik yönteme kıyasla daha iyi doğruluk ve kararlılıkla araştırabildiğini gösteriyor. Mühendislik, veri bilimi veya bunun ötesinde daha iyi şekiller, programlar veya ayarlar bulmak için bilgisayarlara güvenen herkes için DEHHO, gerçek en iyi çözüme daha güvenilir şekilde yaklaşmanın bir yolunu sunuyor.

Atıf: 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

Anahtar kelimeler: küresel optimizasyon, meta-sezgisel algoritmalar, Harris Hawks optimizasyonu, diferansiyel evrim, mühendislik tasarımı