Résumé Technique : Bombardier Beetle Optimizer (BBO)

Énoncé du Problème

Les problèmes d'optimisation du monde réel, tels que ceux rencontrés dans les réseaux de capteurs sans fil, le génie biomédical et la conception d'ingénierie générale, présentent souvent des défis importants en raison de géométries complexes contenant de nombreux minima locaux. Les méthodes d'optimisation traditionnelles peinent souvent à échapper à ces optima locaux, ce qui entraîne des taux de convergence lents ou des solutions sous-optimales. Bien que les algorithmes métaheuristiques existants — classés en catégories physiques, basées sur des essaims, évolutionnaires et artificielles — offrent divers avantages, ils font toujours face à des limitations telles que la convergence prématurée, une exploration lente et des difficultés à équilibrer les stratégies d'exploration et d'exploitation. Pour remédier à ces lacunes, cet article propose un nouvel algorithme bio-inspiré conçu pour améliorer les performances d'optimisation globale.

Méthodologie

Le Bombardier Beetle Optimizer (BBO) proposé est un algorithme métaheuristique bio-inspiré modélisé d'après les mécanismes de défense et d'échappement du scarabée bombardier (Carabidae). L'algorithme simule deux comportements biologiques primaires :

1. Mécanisme de Défense (Exploration)

La stratégie d'exploration centrale du BBO imite la capacité du scarabée à éjecter un spray chimique chaud et toxique lorsqu'il est menacé par un prédateur.

• Réaction Chimique : Le modèle incorpore la chambre de réaction interne du scarabée où l'hydroquinone et le peroxyde d'hydrogène réagissent via les enzymes catalase et peroxydase. Cette réaction exothermique produit un spray dépassant 100 °C, composé de vapeur d'eau, d'oxygène et de p-benzoquinones irritantes.
• Simulation Géométrique : L'algorithme modélise l'interaction entre le scarabée et un prédateur comme deux cercles intersectants. Le « spray » est déclenché lorsque la zone du prédateur intersecte ou chevauche la zone du scarabée.
• Formulation Mathématique : L'aire d'intersection ($A$) est calculée à l'aide d'une équation géométrique spécifique impliquant les rayons du scarabée et du prédateur ainsi que la distance entre leurs centres. La nouvelle position du scarabée est mise à jour en fonction de cette aire d'intersection, d'un facteur de réaction chimique (incorporant les valeurs de température, d'oxygène et d'irritant) et d'une fonction de dispersion chaotique. Ce mécanisme est conçu pour disperser la population à travers l'espace de recherche, aidant ainsi à l'évitement des optima locaux.

2. Mécanisme d'Échappement (Exploitation)

La seconde phase simule la capacité du scarabée à calculer la distance par rapport à un prédateur et à s'envoler pour s'en éloigner.

• Portance Aérodynamique : Ce comportement est modélisé à l'aide des lois du mouvement de Newton et d'une équation de portance empirique pour le vol battu ($L = LC \times 0,5 \times \rho \times V^2 \times A$).
• Mise à jour de Position : L'algorithme calcule une force de réaction ascendante (portance) pour déterminer une nouvelle position, permettant au scarabée de s'éloigner de la menace (minima locaux) vers de meilleures solutions. Cette phase se concentre sur l'affinement de la recherche et l'exploitation des régions prometteuses.

Exécution de l'Algorithme

Le BBO initialise une population de scarabées à l'intérieur des limites de l'espace de recherche du problème. À chaque itération, l'algorithme alterne entre le mécanisme de défense (exploration) et le mécanisme d'échappement (exploitation). La population est mise à jour en fonction des valeurs de la fonction objectif, conservant les meilleures solutions trouvées. Le processus se poursuit jusqu'à ce que le nombre maximum d'itérations soit atteint.

Principales Contributions

• Nouvel Algorithme : L'introduction du Bombardier Beetle Optimizer (BBO), une nouvelle métaheuristique inspirée par les comportements spécifiques de défense chimique et d'échappement du scarabée bombardier.
• Mécanisme Hybride : L'intégration d'un modèle de spray basé sur la réaction chimique (pour l'exploration) et d'un modèle de portance aérodynamique (pour l'exploitation) afin d'équilibrer le processus de recherche.
• Évaluation Complète : Une étude comparative rigoureuse contre six algorithmes métaheuristiques établis : Chernobyl Disaster Optimizer (CDO), Sperm Swarm Optimization (SSO), Gravitational Search Algorithm (GSA), Particle Swarm Optimization (PSO), Bermuda Triangle Optimizer (BTO) et Grey Wolf Optimizer (GWO).

Résultats Expérimentaux

Les performances du BBO ont été évaluées à l'aide de la suite de tests CEC 2017, comprenant 23 fonctions de référence (incluant des fonctions unimodales, multimodales et hybrides). Les expériences ont été menées dans MATLAB R2023a avec 30 exécutions indépendantes par algorithme, chacune effectuant 1 000 itérations.

• Métriques de Performance : Les algorithmes ont été comparés sur la base de la Meilleure Fitness (valeur optimale), de la Moyenne ($\mu$), de l'Écart Type ($\sigma$) et du Rang Moyen.
• Résultats Quantitatifs :
  • Le BBO a obtenu le rang moyen total le plus bas (3,9) parmi tous les algorithmes testés, surpassant de manière significative le CDO (8,65), le SSO (9,51), le GSA (12,06), le PSO (9,9), le BTO (8,9) et le GWO (9,61).
  • Le BBO a obtenu les meilleures valeurs de fitness pour 20 des 23 fonctions de référence (F1–F8, F10, F11, F13–F18, F21–F23).
  • En termes de convergence, le BBO a démontré une vitesse et une précision supérieures pour atteindre les minima globaux, particulièrement pour les problèmes « accidentés et bruités » (F1–F4) et les fonctions avec des domaines étroits.
• Analyse Comparative : Bien que d'autres algorithmes aient montré une force dans des sous-ensembles spécifiques (par exemple, le CDO et le BTO ont bien performé sur certaines fonctions unimodales), le BBO a systématiquement fourni des résultats plus stables avec des écarts types plus faibles sur la majorité de la suite de tests.

Signification et Revendications

L'article affirme que le Bombardier Beetle Optimizer est une alternative hautement efficace et réalisable pour les problèmes d'optimisation globale. Les auteurs soutiennent que la combinaison unique du mécanisme de défense inspiré de la chimie et du mécanisme d'échappement basé sur la physique permet au BBO d'équilibrer efficacement l'exploration et l'exploitation.

L'étude conclut que le BBO surpasse les algorithmes comparés (PSO, SSO, GSA, GWO, BTO et CDO) en termes de taux de convergence et de qualité de solution, particulièrement pour les espaces de recherche complexes, accidentés et bruités. Les auteurs suggèrent que, bien que les résultats actuels soient prometteurs sur la base des benchmarks CEC 2017, des travaux futurs devront valider l'efficacité de l'algorithme sur des applications réelles, citant spécifiquement les Réseaux de Capteurs Sans Fil (WSN) pour minimiser l'atténuation et les interférences, et les Réseaux Radio (RN) pour maximiser la propagation du signal. L'article maintient un ton modeste concernant ces applications futures, notant que les suites de tests utilisées présentent des limitations et que un ajustement supplémentaire peut être nécessaire pour des scénarios réels spécifiques.