DOI: https://doi.org/10.1038/s41598-026-43024-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41865044
تاريخ النشر: 2026-03-21
المؤلف: Renhui Huang وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
تقدم الدراسة تحسين البيوجغرافيا المعتمد على تقنيات التداخل (CCBBO)، وهو خوارزمية تحسين ميتاheuristic محسّنة تدمج آلية التداخل (CC) في إطار تحسين البيوجغرافيا التقليدي (BBO). تسهل هذه التكامل تبادل المعلومات المحسن بين الوكلاء من خلال البحث الهجين عن التداخل (HCS) والبحث العمودي عن التداخل (VCS)، مما يعزز تنوع البحث ويصقل مسارات الاستغلال. يعالج CCBBO بفعالية مشاكل الركود في الأمثل المحلية التي تتسم بها BBO الأصلية. تؤكد التجارب الشاملة على مجموعة معايير CEC2017 أدائها، كاشفة أن CCBBO تحقق أفضل متوسط تصنيف فريدمان العام، وسرعات تقارب متفوقة، وحلول ذات جودة أعلى باستمرار مقارنة بـ BBO الأساسية وثمانية خوارزميات ميتاheuristic متقدمة أخرى.
في التطبيقات العملية، تم استخدام CCBBO لتحسين مشكلة إنتاج خزان النفط البعدي 60، مما يظهر مزايا كبيرة على الخوارزميات المنافسة من خلال تحقيق أعلى قيمة صافية حالية (NPV) ومتطلبات استقرار أكبر للحلول ضمن ميزانية تكرارية ثابتة. ومع ذلك، تعترف الدراسة ببعض القيود، بما في ذلك زيادة العمليات الحسابية لكل تكرار بسبب استراتيجية CC، والتي قد تؤثر على الأداء في البيئات ذات الموارد المحدودة. بالإضافة إلى ذلك، قد تكون كفاءة التقارب حساسة لتنوع السكان الأولي في المناظر الطبيعية عالية الأبعاد. ستركز الأبحاث المستقبلية على تحليل حساسية المعلمات، والتحقق من صحة معايير مرجعية محدثة مثل CEC2022، وتطبيق نظرية الشبكات المعقدة لتعزيز الفهم النظري لديناميات الخوارزمية. تشمل الخطط أيضًا تطوير متغيرات متعددة الأهداف ودمج النمذجة البديلة لتحديات تحسين أكبر حجمًا.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحديات الملحة في تحسين الأداء التي يواجهها صانعو القرار في القطاعات الحيوية مثل التصنيع المتقدم، وأنظمة الطاقة، والهندسة الصناعية. تتميز هذه التحديات بمعايير متعددة الأهداف، وأبعاد عالية، وقيود غير خطية صارمة. مع تعقيد الأنظمة التكنولوجية، تصبح الطرق التقليدية القائمة على التجربة والخطأ غير كافية لتحقيق الكفاءة الاستراتيجية والعوائد الاقتصادية اللازمة. تؤكد الورقة على أهمية خوارزميات التحسين، التي تعمل كنظم دعم قرار أساسية تعزز الكفاءة والاستدامة عبر تطبيقات متنوعة، بما في ذلك شبكات الطاقة المتجددة والإنتاج الصناعي.
تصنف النصوص منهجيات التحسين إلى طرق حتمية وخوارزميات ميتاheuristic. بينما تقدم الأساليب الحتمية، مثل البرمجة الخطية وطرق النقاط الداخلية، هياكل صارمة وتقارب مضمون، فإنها غالبًا ما تفشل في معالجة المشاكل المعقدة، عالية الأبعاد، وغير المحدبة السائدة في الهندسة الحديثة. لتوضيح قدرات الحلول الميتاheuristic، تقدم الورقة ملخصًا للخوارزميات التمثيلية، بما في ذلك تحسين سرب الجسيمات (PSO)، الذي يستخدم الذكاء الاجتماعي القائم على سلوك السرب للتحسين المستمر. تمهد المقدمة الطريق لاستكشاف أعمق لهذه المنهجيات، مما يبرز أهميتها في تحقيق الحلول المثلى في بيئات تعتمد بشكل متزايد على البيانات.
طرق
في هذا القسم، يتم تقييم أداء خوارزمية CCBBO المقترحة مقابل ثمانية خوارزميات ميتاheuristic أخرى، بما في ذلك BBO الأصلية، CPA، PO، MGO، MFO، CSA، GWO، وSMA، في سياق مشكلة تحسين إنتاج خزان النفط البعدي 60 المعقدة. خضعت كل خوارزمية لـ 10 تجارب مستقلة مع حد أقصى يبلغ 100 تكرار لضمان القوة الإحصائية. تشير النتائج، الملخصة في الجدول 7، إلى أن CCBBO حققت أعلى متوسط قيمة صافية حالية (NPV) قدرها $9.512 \times 10^8$ دولار أمريكي، مما يظهر فعاليتها في تحديد استراتيجيات الإنتاج الاقتصادية القابلة للتطبيق. بالإضافة إلى ذلك، أظهرت CCBBO أقل انحراف معياري قدره $1.481 \times 10^7$ دولار أمريكي، مما يعكس استقرارها المتفوق مقارنة بالمنافسين مثل CPA وBBO، اللذين كان لديهما انحرافات معيارية قدرها $1.890 \times 10^7$ دولار أمريكي و$2.593 \times 10^7$ دولار أمريكي، على التوالي.
تؤكد النتائج على المزايا المزدوجة لخوارزمية CCBBO: فهي تعزز الاستكشاف داخل فضاء القرار عالي الأبعاد بينما تصقل عملية الاستغلال بتناسق ملحوظ. توضح الشكل 5 تاريخ التقارب لقيم NPV لـ CCBBO والخوارزميات الأخرى على مدى 100 تكرار، حيث أظهرت CCBBO أسرع وأطول تقارب مستمر، كما هو موضح بواسطة المنحنى الأحمر. تؤكد هذه التحليل فعالية CCBBO في تحسين استراتيجيات إنتاج النفط، مما يبرز إمكانياتها للتطبيقات العملية في هذا المجال.
النتائج
يوفر قسم النتائج والتحليل تقييمًا شاملاً لخوارزمية CCBBO المقترحة من منظور تحسين عالمي، باستخدام وظائف معيارية متنوعة تتماشى مع معايير الصناعة. تم تنفيذ التجارب على جهاز كمبيوتر مزود بمعالج Intel Xeon Silver 4110 و128 جيجابايت من الذاكرة العشوائية، يعمل بنظام Windows 10، مع تنفيذ جميع الخوارزميات في MATLAB 2020B. تم تطبيق إعدادات معلمات متسقة عبر جميع الخوارزميات، كما هو موضح في الجدول 2.
من المتوقع أن تظهر النتائج من هذه التجارب فعالية خوارزمية CCBBO مقارنة بالطرق الحالية، على الرغم من عدم تفصيل النتائج المحددة ومقاييس الأداء في هذا القسم. يضمن إطار الاختبار الصارم أن يكون التقييم موثوقًا وذو صلة بالتحديات الحالية في تحسين الأداء.
نقاش
يقدم قسم النقاش في الورقة تحليلًا شاملاً لمجموعة متنوعة من الخوارزميات الميتاheuristic، مع التركيز بشكل خاص على مُحسّن سلوك القندس (BBO) وتعزيزاته من خلال مُحسّن سلوك القندس المتداخل (CCBBO). يبرز المؤلفون نقاط القوة في عدة خوارزميات، بما في ذلك تحسين الذئب الرمادي (GWO)، وتحسين صقور هاريس (HHO)، وخوارزمية العفن الطحلبي (SMA)، مؤكدين قدراتها في البحث العالمي، وتوازن الاستكشاف والاستغلال، والقدرة على التكيف مع مشاكل التحسين المعقدة. يتم الإشارة إلى نظرية “لا غداء مجاني” (NFL) لتسليط الضوء على ضرورة وجود خوارزميات متخصصة مصممة خصيصًا لخصائص المشكلة المحددة، خاصة في المجالات الصعبة مثل تحسين خزان النفط.
تقدم الورقة CCBBO كنهج جديد يدمج استراتيجية التداخل لتحسين ديناميات البحث في BBO الأصلية. يهدف هذا التحسين إلى معالجة القيود في المناظر الطبيعية عالية الأبعاد من خلال تسهيل استكشاف عالمي أكثر فعالية وتنقيح محلي من خلال عمليات التداخل الأفقية والعمودية. يتم اختبار CCBBO بدقة ضد الوظائف المعيارية ويظهر أداءً متفوقًا مقارنة بسابقتها وغيرها من الخوارزميات المعروفة، محققًا معدلات تقارب أفضل وجودة حلول. يوضح تطبيق CCBBO على تحسين إنتاج خزان النفط فائدته العملية، مما يعرض قدرته على زيادة القيمة الصافية الحالية (NPV) في بيئة معقدة ومتنوعة. بشكل عام، تدعو النتائج إلى التحول من مجرد تقديم استراتيجيات جديدة في تصميم الخوارزميات إلى تعزيز الأطر الحالية من خلال تحسينات رياضية.
DOI: https://doi.org/10.1038/s41598-026-43024-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41865044
Publication Date: 2026-03-21
Author(s): Renhui Huang et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
The study presents the Crisscross Biogeography-Based Optimization (CCBBO), an enhanced metaheuristic algorithm that integrates a Crisscross (CC) mechanism into the traditional Biogeography-Based Optimization (BBO) framework. This integration facilitates improved information exchange among agents through Hybrid Crossover Search (HCS) and Vertical Crossover Search (VCS), which enhances search diversity and refines exploitation trajectories. The CCBBO effectively addresses local optima stagnation issues inherent in the original BBO. Comprehensive experiments on the CEC2017 benchmark suite validate its performance, revealing that the CCBBO achieves the optimal overall Friedman mean rank, superior convergence speeds, and consistently higher-quality solutions compared to the baseline BBO and eight other advanced metaheuristic algorithms.
In practical applications, the CCBBO was employed for optimizing a 60-dimensional oil reservoir production problem, demonstrating significant advantages over competing algorithms by achieving the highest average Net Present Value (NPV) and exhibiting greater solution stability within a fixed iteration budget. However, the study acknowledges certain limitations, including increased arithmetic operations per iteration due to the CC strategy, which may impact performance in resource-constrained environments. Additionally, the convergence efficiency may be sensitive to initial population diversity in high-dimensional landscapes. Future research will focus on parameter sensitivity analysis, validation with updated benchmark suites like CEC2022, and the application of complex network theory to enhance theoretical understanding of the algorithm’s dynamics. Plans also include developing multi-objective variants and integrating surrogate modeling for larger-scale optimization challenges.
Introduction
The introduction of the research paper highlights the pressing optimization challenges faced by decision-makers in critical sectors such as advanced manufacturing, energy systems, and industrial engineering. These challenges are characterized by multi-objective criteria, high dimensionality, and stringent non-linear constraints. As technological systems become more complex, traditional trial-and-error methods are inadequate for achieving the necessary strategic efficiency and economic returns. The paper emphasizes the importance of optimization algorithms, which serve as essential decision-support systems that enhance efficiency and sustainability across various applications, including renewable energy grids and industrial production.
The text categorizes optimization methodologies into deterministic methods and metaheuristic algorithms. While deterministic approaches, such as linear programming and interior point methods, offer rigorous structures and guaranteed convergence, they often fall short in addressing the complex, high-dimensional, and non-convex problems prevalent in modern engineering. To illustrate the capabilities of metaheuristic solvers, the paper presents a summary of representative algorithms, including Particle Swarm Optimization (PSO), which utilizes social behavior-based swarm intelligence for continuous optimization. The introduction sets the stage for a deeper exploration of these methodologies, underscoring their significance in achieving optimal solutions in increasingly data-driven environments.
Methods
In this section, the performance of the proposed CCBBO algorithm is evaluated against eight other metaheuristic algorithms, including the original BBO, CPA, PO, MGO, MFO, CSA, GWO, and SMA, in the context of a complex 60-dimensional oil reservoir production optimization problem. Each algorithm underwent 10 independent trials with a maximum of 100 iterations to ensure statistical robustness. The results, summarized in Table 7, indicate that CCBBO achieved the highest mean Net Present Value (NPV) of $9.512 \times 10^8$ USD, demonstrating its effectiveness in identifying economically viable production strategies. Additionally, CCBBO exhibited the lowest standard deviation of $1.481 \times 10^7$ USD, reflecting its superior stability compared to competitors like CPA and BBO, which had standard deviations of $1.890 \times 10^7$ USD and $2.593 \times 10^7$ USD, respectively.
The findings underscore the dual advantages of the CCBBO algorithm: it enhances exploration within the high-dimensional decision space while refining the exploitation process with remarkable consistency. Figure 5 illustrates the convergence history of the NPVs for CCBBO and the other algorithms over 100 iterations, with CCBBO demonstrating the fastest and most sustained convergence, as depicted by the red curve. This analysis confirms the effectiveness of the CCBBO in optimizing oil reservoir production strategies, highlighting its potential for practical applications in the field.
Results
The Results and Analysis section provides a thorough evaluation of the proposed CCBBO algorithm from a global optimization standpoint, utilizing various benchmark functions that adhere to industry standards. The experiments were executed on a computer with an Intel Xeon Silver 4110 CPU and 128 GB of RAM, running Windows 10, with all algorithms implemented in MATLAB 2020B. Consistent parameter settings were applied across all algorithms, as detailed in Table 2.
The findings from these experiments are expected to demonstrate the effectiveness of the CCBBO algorithm in comparison to existing methods, although specific results and performance metrics are not detailed in this section. The rigorous testing framework ensures that the evaluation is both reliable and relevant to current optimization challenges.
Discussion
The discussion section of the paper presents a comprehensive analysis of various metaheuristic algorithms, particularly focusing on the Beaver Behavior Optimizer (BBO) and its enhancements through the Crisscross Beaver Behavior Optimizer (CCBBO). The authors highlight the strengths of several algorithms, including Grey Wolf Optimization (GWO), Harris Hawks Optimization (HHO), and Slime Mould Algorithm (SMA), emphasizing their capabilities in global search, exploration-exploitation balance, and adaptability to complex optimization problems. The No Free Lunch (NFL) theorem is referenced to underscore the necessity for specialized algorithms tailored to specific problem characteristics, particularly in challenging domains such as oil reservoir optimization.
The paper introduces the CCBBO as a novel approach that integrates the Crisscross strategy to improve the search dynamics of the original BBO. This enhancement aims to address limitations in high-dimensional landscapes by facilitating more effective global exploration and local refinement through horizontal and vertical crossover operations. The CCBBO is rigorously tested against benchmark functions and demonstrates superior performance compared to its predecessor and other established algorithms, achieving better convergence rates and solution quality. The application of CCBBO to oil reservoir production optimization further illustrates its practical utility, showcasing its ability to maximize net present value (NPV) in a complex, heterogeneous environment. Overall, the findings advocate for a shift from merely introducing new metaphors in algorithm design to enhancing existing frameworks through mathematical improvements.