Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

Technische Zusammenfassung: Optimierung des Verbrennungsmotors (ICEO)

Problemstellung
Die Optimierung in hochdimensionalen, nichtlinearen und multimodalen Suchräumen bleibt eine grundlegende Herausforderung in den Ingenieurwissenschaften und der Informatik. Während Metaheuristiken sich für NP-schwere Probleme als effektiv erwiesen haben, leiden viele bestehende Algorithmen unter vorzeitiger Konvergenz und der Unfähigkeit, ein optimales Gleichgewicht zwischen Exploration (Diversifizierung) und Exploitation (Intensivierung) aufrechtzuerhalten. Aktuelle adaptive Ansätze verlassen sich oft auf zufällige Mutations- oder Perturbationsstrategien, die die historische Dynamik oder den aktuellen Zustand des Suchprozesses nicht explizit berücksichtigen, was zu einer Stagnation in lokalen Optima führt.

Methodik
Das Paper schlägt die Internal Combustion Engine Optimization (ICEO) vor, eine physik-inspirierte Metaheuristik, die um den Viertakt-Betriebszyklus eines Verbrennungsmotors strukturiert ist. Im Gegensatz zu rein metaphorischen Algorithmen ist ICEO als ein strukturiertes, adaptives System konzipiert, bei dem vier koordinierte Phasen synergistisch interagieren:

1. Ansaugen (Exploration): Entspricht der Generierung und Integration neuer, diverser Lösungen. Der Algorithmus zieht „Luft“ (Kandidatenlösungen) aus der Atmosphäre (Population) und „Kraftstoff“ (zufällige Perturbationsvektoren). Das Verhältnis von Frischluft zu recyceltem „Abgas“ (zuvor verworfene Lösungen) wird dynamisch reguliert.
2. Verdichtung (Frühe Exploitation): Der Suchraum wird progressiv um die aktuelle beste Lösung ($X_{best}$) kontrahiert. Luftpartikel werden mit Kraftstoffvektoren kombiniert, um neue Kandidatenkonfigurationen zu generieren, wodurch die Suche auf vielversprechende Regionen fokussiert wird.
3. Verbrennung (Intensive Exploitation & Escape): Modelliert als ein probabilistischer Prozess, bei dem nur eine Teilmenge von Lösungen eine „Zündung“ erfährt. Diese Phase beinhaltet die intensive Verfeinerung der besten Lösungen. Um eine Gefangenschaft in lokalen Minima zu verhindern, wendet der Algorithmus gelegentlich Lévy-Flight-basierte Perturbationen auf ausgewählte Lösungen an.
4. Ausstoßen (Selektion & Update): Die verbrannten Gase (neu generierte Lösungen) werden evaluiert. Die Population wird sortiert, wobei die besten Lösungen für den nächsten Zyklus beibehalten werden, während unterlegene Kandidaten ausgestoßen werden.

Adaptiver Steuerungsmechanismus (ECU)
Eine zentrale Innovation von ICEO ist die Engine Control Unit (ECU), ein adaptiver Mechanismus, der den iterativen Zyklus steuert. Die ECU überwacht die Konvergenzgeschwindigkeit und Stagnation mithilfe eines gleitenden Fensters ($\omega$) der jüngsten Fitnesswerte.

• Sie berechnet die durchschnittliche Verbesserungsrate ($\Delta f$) und passt einen Beschleunigungsparameter ($a_x$) an.
• Basierend auf $a_x$ bestimmt die ECU dynamisch das Luft-Kraftstoff-Verhältnis ($\rho_{air}$ und $\rho_{fuel}$), wodurch effektiv das Gleichgewicht zwischen der Injektion neuer Diversität (Exploration) und der Verfeinerung bestehender Lösungen (Exploitation) gesteuert wird.
• Diese feedbackgesteuerte Anpassung ermöglicht es dem Algorithmus, in Echtzeit auf die Optimierungsdynamik zu reagieren, anstatt auf festen Zeitplänen zu basieren.

Wesentliche Beiträge

• Strukturierter Vier-Phasen-Zyklus: ICEO trennt Suchoperationen explizit in distinkte, koordinierte Stadien (Ansaugen, Verdichten, Verbrennen, Ausstoßen), was sich von Algorithmen unterscheidet, die diese Funktionen in einzelnen Update-Regeln einbetten.
• Adaptive Regulierung: Die Einführung des ECU-Mechanismus ermöglicht eine leistungsabhängige Parameteranpassung, insbesondere die Abstimmung der Intensität des „Verbrennungsprozesses“ und der Rate der Lösungsinjektion basierend auf beobachteter Stagnation.
• Luft-Kraftstoff-Gemisch-Mechanismus: Der Algorithmus zerlegt die Suchressourcen explizit in externe Diversitätsinjektion (Kraftstoff) und populationsbasierte Kontinuität (Luft), wobei das Verhältnis adaptiv reguliert wird, um Exploration und Exploitation auszubalancieren.

Experimentelle Ergebnisse
Die Leistung von ICEO wurde gegen zehn State-of-the-Art-Metaheuristiken (darunter L-SHADE, CMA-ES, GWO, PSO und GA) über drei experimentelle Stadien hinweg evaluiert:

1. Standard-Benchmark-Funktionen (D=100): Getestet auf 18 Funktionen (unimodal und multimodal). ICEO erreichte den niedrigsten globalen Rang-Score (27 Punkte) und sicherte sich 15 Erstplatzierungen. Es demonstrierte eine überlegene Konvergenzgenauigkeit sowohl bei unimodalen (z. B. Dixon-Price) als auch bei multimodalen (z. B. Rastrigin, Ackley) Funktionen im Vergleich zu den Wettbewerbern.
2. CEC 2022 Benchmark Suite (D=20): Evaluiert auf 12 komplexen Funktionen (unimodal, multimodal, hybrid und kompositionell). ICEO erreichte den besten durchschnittlichen Rang (2.750) im Friedman-Test.
   • Statistische Signifikanz: Der Nemenyi-Post-hoc-Test zeigte, dass die Überlegenheit von ICEO nur gegenüber den am schlechtesten abschneidenden Algorithmen (WarSO, EHO, CMA-ES) statistisch signifikant war. Unterschiede gegenüber Top-Wettbewerbern wie L-SHADE und SADE waren unter dem Nemenyi-Test nicht statistisch signifikant, obwohl der Wilcoxon-Vorzeichen-Rang-Test zeigte, dass ICEO signifikant mehr Paarvergleiche gewann (94 Siege gegenüber 18 Niederlagen insgesamt).
3. Reale Ingenieursprobleme: ICEO wurde auf die Probleme des Speed Reducer, Three-Bar Truss und Pressure Vessel angewendet. In allen Fällen zeigte es eine wettbewerbsfähige Leistung, schnelle Konvergenz und eine geringe Lösungsvarianz im Vergleich zu den Top-fünf-Algorithmen aus den Benchmark-Tests.
4. Ablationsstudie: Das Entfernen der Verdichtungsphase (V1) verursachte die signifikanteste Leistungsverschlechterung, was deren kritische Rolle unterstreicht. Varianten ohne ECU (V3) schnitten schlechter ab als das vollständige ICEO, was den Wert des adaptiven Mechanismus bestätigt.

Bedeutung und Limitationen
Das Paper behauptet, dass ICEO durch seinen strukturierten, physik-inspirierten Zyklus und seine Echtzeit-adaptive Steuerung einen robusten Rahmen für die Balance zwischen Exploration und Exploitation bietet. Der ECU-Mechanismus unterscheidet ICEO von Standard-Leader-geleiteten Algorithmen, da er den Suchaufwand basierend auf der Performance statt auf der Zeit anpasst.

Dennoch räumen die Autoren spezifische Limitationen ein:

• Statistische Nuancen: Obwohl ICEO oft den ersten Platz belegt, deutet der Nemenyi-Test darauf hin, dass seine Überlegenheit gegenüber allen Top-Wettbewerbern (z. B. L-SHADE) nicht statistisch bestätigt ist, was auf eine erhebliche Leistungsüberlappung unter fortgeschrittenen Methoden hindeutet.
• Rechenaufwand: Der für die Populations-Updates erforderliche Sortierschritt verursacht einen nicht unerheblichen Rechenaufwand, was die Anwendbarkeit in zeitkritischen Szenarien einschränken könnte.
• Hyperparameter-Sensitivität: Obwohl die ECU die Sensitivität reduziert, erfordert der Algorithmus dennoch die Kalibrierung von Parametern wie $r_{min}$ und $r_{max}$, und die Leistung kann abfallen, wenn diese außerhalb der empfohlenen Bereiche liegen.
• Geltungsbereich: Die aktuelle Implementierung ist ein Single-Objective-Optimizer ohne formale theoretische Konvergenzgarantien. Die Autoren schlagen vor, dass zukünftige Arbeiten hochdimensionale Probleme ($D > 500$), Multi-Objective-Optimierung und diskrete Suchräume adressieren sollten.