Doğal değiştirme ile ikili evrim operatörü geliştirilmiş karanlık kerkenez algoritmasına dayalı mühendislik sayısal optimizasyon problemleri

Zor Kararlar İçin Daha Akıllı Yöntemler

Daha güvenli otomobiller tasarlamaktan verimli rüzgâr çiftlikleri planlamaya kadar mühendisler sürekli olarak milyonlarca olası cevabı olan bulmacalarla karşılaşıyor. Her seçeneği kontrol etmek imkânsız olduğundan, her yeri aramadan çok iyi çözümler bulmaya çalışan akıllı kestirme yollar—bilgisayar algoritmaları—kullanıyorlar. Bu makale, karanlık-kanatlı kerkenez adındaki bir yırtıcı kuşun avlanma ve göç davranışından esinlenen bu tür bir kestirme yöntemi tanıtıyor ve bu fikrin rafine edilmiş bir versiyonunun pek çok zorlu gerçek dünya tasarım problemini mevcut yöntemlerden daha hızlı ve daha güvenilir şekilde çözebildiğini gösteriyor.

Avlanan Bir Kuştan Dersler

Modern “meta-sezgisel” algoritmalar sıklıkla doğadan fikir ödünç alır: karıncaların yiyecek bulması, kurtların avlanması veya galaksilerin hareketi gibi. Orijinal Karanlık‑Kanatlı Kerkenez Algoritması (BKA) da bu aileye girer. Algoritma, yükseklik iyi bir tasarımın ne kadar iyi olduğunu gösteren matematiksel bir arazide uçan çok sayıda sanal kuşu kurgular. “Saldırı” aşamasında kuşlar geniş çapta keşif yapar, “göç” aşamasında ise umut vadeden bölgelere yönelirler. BKA, pillerin ayarlanması veya kaynak arama gibi pratik görevlerde kullanıldı. Ancak benzer pek çok yöntemde olduğu gibi, yalnızca iyi çözümlere takılabilir, daha iyi olanları kaçırabilir veya problemler çok karmaşık olduğunda sonuca ulaşmak uzun zaman alabilir.

Kontrollü Kaos ve Daha Akıllı Karıştırma Eklemek

Yazarlar SMNBKA‑ICMIC adlı geliştirilmiş bir versiyon öneriyor. İlk iyileştirme aramanın nasıl başladığıyla ilgili. Sanal kuşları rastgele yerleştirmek yerine, yöntem onları arazide daha eşit şekilde dağıtmak için özel bir kontrollü kaos tipi kullanır. Bu, en azından bazı kuşların değerli bölgelere yakın başlaması olasılığını artırır. Ardından kuşlar “saldırırken”, algoritma evrimsel biyolojiden bir fikir ödünç alır: güçlü ve zayıf adayların bilgilerini dikkatli bir şekilde harmanlar, tıpkı genetik materyalin üreme sırasında karışması gibi. Bu karıştırma adımı grubun çıkmazlardan kaçmasına yardımcı olur ve aramanın çok erken daralmasını engeller.

Yönlendirilmiş Göç ve En Uygununun Hayatta Kalması

İkinci büyük aşama olan göç de yeniden tasarlanmış. Orijinal yöntemde her kuş konumunu basit bir rastgele kural kullanarak ayarlıyordu; bu bazen grubun yerel bir tepenin etrafında toplanmasına ve en yüksek zirveyi bulamamasına neden oluyordu. Geliştirilmiş versiyon, kuşların performansını karşılaştırır ve onların güçlü bir “lider” ile rastgele seçilen bir ortak arasındaki farklara göre hareket etmesine izin verir. Bu ileri‑geri hareket sürüye yeni yönler keşfetme imkânı verirken iyi bölgelere doğru yönlendirilmesini sağlar. Buna ek olarak, her turda en kötü performans gösteren kuşların çıkarıldığı ve mevcut en iyi çözümlere yakın yeni kuşlarla değiştirildiği bir “doğal değiştirme” adımı vardır. Bu, aramayı umut veren tasarımlar etrafında keskinleştirirken taze fikirlerin gelmesini sağlar.

Algoritmayı Test Etmeye Koymak

Bu fikirlerin gerçekten işe yarayıp yaramadığını görmek için araştırmacılar SMNBKA‑ICMIC’i bir dizi teste tabi tuttu. İlk olarak, çok sayıda sahte zirve ve dar vadiler içeren zorlu araziler gibi zorlayıcı olması için tasarlanmış standart matematiksel kıyas setleri kullanıldı. Optimizasyon topluluğunda yaygın olarak kullanılan üç büyük test paketinde yeni yöntem genellikle orijinal BKA ve diğer birkaç son teknoloji algoritmaya kıyasla daha iyi çözümler buldu ve bunu daha tutarlı şekilde yaptı. Yazarlar daha sonra metal bir yayı şekillendirme, bir basınç kap boyutlandırma, bir dişli kutusu veya çok diskli bir fren yapılandırması gibi on klasik mühendislik tasarım problemine geçti. On vakadan dokuzunda algoritmaları bilinen en iyi çözümleri üretti; çoğu durumda rakiplerle karşılaştırıldığında tasarım “maliyetini” %1,5 ile %15 arasında azaltarak malzeme, enerji veya güvenlik paylarında gerçek tasarruflara dönüşebilecek farklar sağladı.

Karmaşık Seçimler ve Takasları Yönetmek

Araştırma ekibi yöntemi, sınırlı sayıda öğenin birkaç kaba aşırı yüklemeden kaçınarak mümkün olduğunca yüksek değere ulaşacak şekilde paketlenmesi gereken çoklu‑sırt çantası problemleri üzerinde de test etti. Bu problemler, problem büyüdükçe olası paketlemelerin sayısı patladığı için kötü şöhretlidir. SMNBKA‑ICMIC bazı böyle görevlerde en iyi bilinen çözümlere ulaşmakla kalmadı, aynı zamanda çalışmadan çalışmaya olağanüstü bir kararlılıkla bunu yaptı. Bu, yöntemin hem bir kirişin tam kalınlığı gibi sürekli tasarım tercihlerini hem de hangi bileşenin dahil edileceği gibi ayrık tercihleri yönetebileceğini gösterir; tek bir algoritma için nadir görülen bir kombinasyon.

Neden Önemli

Düz bir ifadeyle çalışma, kaos kuramı, evrim, sürü davranışı ve doğal seçilim gibi fikirlerin dikkatle birleştirilmesinin hem maceracı hem disiplinli bir arama stratejisi ortaya çıkardığını gösteriyor. SMNBKA‑ICMIC, erken ve cazip görünen cevaplar tarafından kandırılmamak için yeterince geniş dolaşır, ancak yüksek kaliteli tasarımları incelemek için de yerleşip rafine olabilir. Çok sayıda kısıtla karşılaşan mühendisler ve bilim insanları için bu, daha az denemeyle ve daha büyük güvenle neredeyse optimal çözümler elde edebilecekleri anlamına gelir. Yazarlar son derece yüksek boyutlu veya hızlı değişen problemlerin hâlâ zorlu kaldığını belirtse de, çalışmaları bilgisayar destekli tasarımı katı bir hesap makinesinden ziyade deneyimli, uyum sağlayabilen bir problem çözücüsüne daha yakın hale getirme yönünde bir adım atıyor.

Atıf: Sun, H., Tang, N., Li, Z. et al. Based on binary evolution operator-enhanced black-kite algorithm with natural replacement for engineering numerical optimization problems. Sci Rep 16, 6881 (2026). https://doi.org/10.1038/s41598-026-35846-2

Anahtar kelimeler: meta sezgisel optimizasyon, mühendislik tasarımı, doğadan esinlenen algoritmalar, kombinatoryal optimizasyon, karanlık kerkenez algoritması