Indian Wedding System Optimization (IWSO): A Novel Socially Inspired Metaheuristic with Operational Design and Analysis

Résumé Technique : Optimisation du Système de Mariage Indien (IWSO)

Énoncé du Problème
Les algorithmes d'optimisation métaheuristiques sont essentiels pour résoudre des problèmes complexes, non linéaires et de haute dimension dans le domaine du génie et de l'intelligence computationnelle. Cependant, les approches classiques telles que les Algorithmes Génétiques (GA), l'Optimisation par Essaim Particulaire (PSO) et l'Évolution Différentielle (DE) rencontrent fréquemment des défis persistants, notamment une convergence prématurée, une perte de diversité de la population et une adaptabilité limitée aux environnements dynamiques. Ces limitations découlent souvent de paramètres de recherche fixes et de dynamiques de population rigides, qui contraignent les performances dans des tâches d'optimisation à grande échelle ou variant dans le temps. L'article répond au besoin d'un cadre adaptatif, inspiré du social, capable de maintenir la diversité et d'équilibrer plus efficacement l'exploration et l'exploitation que les analogies existantes basées sur la nature ou la physique.

Méthodologie
Les auteurs proposent l'Optimisation du Système de Mariage Indien (IWSO), une nouvelle métaheuristique basée sur une population, inspirée des dynamiques socio-culturelles des mariages traditionnels indiens. L'algorithme modélise le processus d'entremise — caractérisé par la collaboration entre familles, candidats et entremetteurs — comme un cadre de recherche guidé et sélectif.

La conception opérationnelle de l'IWSO suit un cycle itératif en sept étapes :

1. Initialisation : Une population de solutions candidates est générée aléatoirement dans des bornes définies, analogue à des familles envisageant plusieurs partenaires potentiels.
2. Évaluation de la Fitness : Les candidats sont évalués à l'aide d'une fonction de fitness multi-objectifs pondérée qui agrège plusieurs critères (par exemple, compatibilité, stabilité financière), reflétant la prise de décision multi-facteurs dans l'entremise.
3. Identification du Meilleur Candidat : La solution optimale (le « meilleur parti ») est identifiée pour servir de référence.
4. Influence Guidée par l'Entremetteur : Un facteur d'entremetteur adaptatif ($M$) contrôle la mise à jour des positions des candidats. Ce facteur diminue au fil des itérations, déplaçant l'algorithme d'une exploration stochastique large vers une exploitation locale intensifiée. Les solutions d'élite guident les candidats plus faibles vers des régions prometteuses sans nécessiter de paramètres de contrôle externes.
5. Élimination et Réinitialisation Adaptatives : Pour prévenir la stagnation, les candidats trop similaires au meilleur parti mais non optimaux sont éliminés. Ils sont remplacés par de nouveaux candidats générés par une combinaison de la solution globale optimale, de la moyenne de la population et de perturbations stochastiques contrôlées. Ce mécanisme maintient la diversité et prévient la convergence prématurée.
6. Sélection : La meilleure solution est mise à jour sur la base de comparaisons de fitness.
7. Terminaison : Le processus se répète jusqu'à ce que le nombre maximal d'itérations soit atteint ou qu'un critère de convergence soit satisfait.

L'analyse théorique établit que l'IWSO présente une complexité temporelle linéaire de $O(T_{max}n(D + K))$ et une complexité spatiale de $O(nD)$, où$n$ est la taille de la population, $D$ la dimensionalité et $K$ le nombre d'objectifs. L'analyse de convergence prouve que l'algorithme converge presque sûrement vers le minimum global sous des conditions spécifiques concernant les perturbations stochastiques et la sélection élitiste.

Contributions Clés
L'article expose quatre contributions principales :

• Cadre Nouveau Piloté par la Métaphore : L'introduction de l'IWSO, qui mappe les composantes socio-culturelles des mariages indiens (entremetteurs, prétendants, rituels d'élimination) vers des opérations algorithmiques pour la recherche, la sélection et l'adaptation.
• Influence Guidée par l'Entremetteur : Une stratégie où les solutions d'élite dirigent l'évolution des candidats plus faibles, améliorant la convergence et l'exploration de l'espace de recherche sans dépendre de paramètres de contrôle externes.
• Élimination et Réinitialisation Adaptatives : Un mécanisme qui remplace dynamiquement les individus sous-performants pour maintenir la diversité de la population et prévenir la stagnation, répondant ainsi à un mode de défaillance courant des métaheuristiques classiques.
• Évaluation Complète : Une analyse théorique et empirique rigoureuse démontrant l'efficacité computationnelle, l'évolutivité et la supériorité de l'IWSO par rapport aux algorithmes d'intelligence en essaim les plus avancés (SoTA).

Résultats Expérimentaux
Les performances de l'IWSO ont été évaluées sur 23 fonctions de test de référence (couvrant les catégories unimodales, multimodales, séparables et non séparables) et comparées à dix algorithmes établis : GA, ABC, PSO, ACO, DE, WOA, HS, SA, BHO et CS.

• Convergence et Stabilité : L'IWSO a démontré une vitesse de convergence et une qualité de solution supérieures sur des paysages de haute dimension et multimodaux. Dans des comparaisons statistiques sur 30 exécutions indépendantes, l'IWSO a obtenu des écarts-types plus faibles sur 18 fonctions sur 23, indiquant une stabilité et une fiabilité accrues.
• Efficacité : L'algorithme a constamment surpassé ses concurrents en termes de temps d'exécution (RT), nécessitant souvent un temps de calcul significativement inférieur pour atteindre des solutions optimales ou quasi optimales.
• Analyse de Sensibilité : L'étude a analysé l'impact des paramètres de contrôle, spécifiquement le Facteur d'Entremetteur ($M$) et le nombre d'itérations ($T_{max}$). Les résultats ont indiqué que l'IWSO est robuste face à des paramètres variables, les mécanismes adaptatifs équilibrant efficacement l'exploration et l'exploitation indépendamment de la complexité du problème.
• Performance Comparative : Dans des graphiques de surface 3D analysant les valeurs de fitness par rapport à la taille de la population et aux nombres d'itérations, l'IWSO a constamment guidé la recherche vers des erreurs de prédiction plus faibles par rapport aux algorithmes GA et DE, confirmant son adaptabilité et sa précision.

Signification et Revendications
L'article revendique que l'IWSO représente une avancée significative en faisant le pont entre la coordination inspirée de l'humain et l'intelligence computationnelle. Contrairement aux algorithmes inspirés de la nature conventionnels qui reposent uniquement sur des analogies physiques ou biologiques, l'IWSO introduit un paradigme d'optimisation ancré dans le social. Les auteurs affirment qu'en intégrant la hiérarchie sociale, l'apprentissage coopératif et la rétroaction adaptative dans sa conception de base, l'IWSO atteint une diversité de population durable et une convergence robuste, même dans des espaces de recherche complexes, contraints et de haute dimension.

Ce travail positionne l'IWSO comme une alternative robuste aux métaheuristiques conventionnelles, en particulier pour les scénarios nécessitant une convergence rapide, une résilience à la stagnation et une adaptabilité dans des environnements dynamiques. Les auteurs suggèrent que la capacité de l'algorithme à gérer des problèmes multi-objectifs et de haute dimension le rend adapté aux tâches d'optimisation à grande échelle du monde réel, bien qu'ils notent que les recherches futures se concentreront sur les extensions hybrides et les applications dans des contextes distribués et variant dans le temps, tels que l'orchestration des ressources cloud et la planification industrielle.