Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

Résumé Technique : Optimisation par Moteur à Combustion Interne (ICEO - Internal Combustion Engine Optimization)

Énoncé du Problème
L'optimisation dans des espaces de recherche de haute dimension, non linéaires et multimodaux reste un défi fondamental en ingénierie et en informatique. Bien que les métaheuristiques se soient révélées efficaces pour les problèmes NP-difficiles, de nombreux algorithmes existants souffrent d'une convergence prématurée et d'une incapacité à maintenir un équilibre optimal entre l'exploration (diversification) et l'exploitation (intensification). Les approches adaptatives actuelles reposent souvent sur des stratégies de mutation ou de perturbation aléatoires qui n'intègrent pas explicitement la dynamique historique ou l'état actuel du processus de recherche, menant ainsi à une stagnation dans les optima locaux.

Méthodologie
Le document propose l'ICEO (Internal Combustion Engine Optimization), une métaheuristique inspirée de la physique et structurée autour du cycle de fonctionnement à quatre temps d'un moteur à combustion interne. Contrairement aux algorithmes purement métaphoriques, l'ICEO est conçu comme un système adaptatif structuré où quatre phases coordonnées interagissent de manière synergique :

1. Admission (Exploration) : Correspond à la génération et à l'intégration de nouvelles solutions diverses. L'algorithme puise de l'« air » (solutions candidates) dans l'atmosphère (population) et du « carburant » (vecteurs de perturbation aléatoires). La proportion d'air frais par rapport aux « gaz brûlés » recyclés (solutions précédemment écartées) est régulée dynamiquement.
2. Compression (Exploitation Précoce) : L'espace de recherche se contracte progressivement autour de la meilleure solution actuelle ($X_{best}$). Des particules d'air sont combinées avec des vecteurs de carburant pour générer de nouvelles configurations candidates, concentrant la recherche sur les régions prometteuses.
3. Combustion (Exploitation Intensive et Évasion) : Modélisée comme un processus probabiliste où seule une sous-partie des solutions subit l'« ignition ». Cette phase implique un raffinement intensif des meilleures solutions. Pour éviter l'enfermement dans des minima locaux, l'algorithme applique occasionnellement des perturbations basées sur le vol de Lévy (Lévy flight) à certaines solutions sélectionnées.
4. Échappement (Sélection et Mise à jour) : Les gaz brûlés (nouvelles solutions générées) sont évalués. La population est triée, les meilleures solutions sont conservées pour le cycle suivant, tandis que les candidats inférieurs sont expulsés.

Mécanisme de Contrôle Adaptatif (ECU)
Une innovation centrale de l'ICEO est l'Unité de Contrôle Électronique (ECU - Engine Control Unit), un mécanisme adaptatif qui régit le cycle itératif. L'ECU surveille la vitesse de convergence et la stagnation à l'aide d'une fenêtre glissante ($\omega$) des valeurs de fitness récentes.

• Il calcule le taux d'amélioration moyen ($\Delta f$) et ajuste un paramètre d'accélération ($a_x$).
• En fonction de $a_x$, l'ECU détermine dynamiquement le mélange air-carburant ($\rho_{air}$ et $\rho_{fuel}$), contrôlant efficacement l'équilibre entre l'injection de nouvelle diversité (exploration) et le raffinement des solutions existantes (exploitation).
• Cette adaptation pilotée par rétroaction permet à l'algorithme de réagir à la dynamique d'optimisation en temps réel plutôt que de s'appuyer sur des calendriers fixes.

Principales Contributions

• Cycle Structuré à Quatre Phases : L'ICEO sépare explicitement les opérations de recherche en étapes distinctes et coordonnées (admission, compression, combustion, échappement), se distinguant des algorithmes qui intègrent ces fonctions au sein de règles de mise à jour uniques.
• Régulation Adaptative : L'introduction du mécanisme ECU permet l'ajustement des paramètres en fonction de la performance, notamment en ajustant l'intensité du processus de « combustion » et le taux d'injection de solutions en fonction de la stagnation observée.
• Mécanisme de Mélange Air-Carburant : L'algorithme décompose explicitement les ressources de recherche entre l'injection de diversité externe (carburant) et la continuité basée sur la population (air), avec un ratio régulé de manière adaptative pour équilibrer l'exploration et l'exploitation.

Résultats Expérimentaux
La performance de l'ICEO a été évaluée par rapport à dix métaheuristiques de pointe (incluant L-SHADE, CMA-ES, GWO, PSO et GA) à travers trois étapes expérimentales :

1. Fonctions de Référence Standards (D=100) : Testé sur 18 fonctions (unimodales et multimodales). L'ICEO a obtenu le score de rang global le plus bas (27 points), décrochant 15 premières places. Il a démontré une précision de convergence supérieure sur les fonctions unimodales (ex: Dixon-Price) et multimodales (ex: Rastrigin, Ackley) par rapport à ses concurrents.
2. Suite de Référence CEC 2022 (D=20) : Évalué sur 12 fonctions complexes (unimodales, multimodales, hybrides et composées). L'ICEO a obtenu le meilleur rang moyen (2,750) lors du test de Friedman.
   • Significativité Statistique : Le test post-hoc de Nemenyi a indiqué que la supériorité de l'ICEO n'est statistiquement significative que contre les algorithmes les moins performants (WarSO, EHO, CMA-ES). Les différences avec les concurrents de haut niveau comme L-SHADE et SADE n'étaient pas statistiquement significatives selon le test de Nemenyi, bien que le test de Wilcoxon signé-rang ait montré que l'ICEO l'emportait de manière significative dans beaucoup plus de comparaisons par paires (94 victoires contre 18 défaites au total).
3. Problèmes d'Ingénierie Réels : L'ICEO a été appliqué aux problèmes de conception du réducteur de vitesse (Speed Reducer), de la poutre à trois barres (Three-Bar Truss) et de la cuve sous pression (Pressure Vessel). Dans tous les cas, il a démontré une performance compétitive, une convergence rapide et une faible dispersion des solutions par rapport aux cinq meilleurs algorithmes des tests de référence.
4. Étude d'Ablation : La suppression de la phase de compression (V1) a provoqué la dégradation de performance la plus significative, soulignant son rôle critique. Les variantes sans l'ECU (V3) ont été moins performantes que l'ICEO complet, confirmant la valeur du mécanisme adaptatif.

Signification et Limites
Le document affirme que l'ICEO offre un cadre robuste pour équilibrer l'exploration et l'exploitation grâce à son cycle structuré inspiré de la physique et son contrôle adaptatif en temps réel. Le mécanisme ECU distingue l'algorithme des algorithmes standards guidés par un leader en adaptant l'effort de recherche en fonction de la performance plutôt que du temps.

Cependant, les auteurs reconnaissent certaines limites spécifiques :

• Nuance Statistique : Bien que l'ICEO soit souvent classé premier, le test de Nemenyi suggère que sa supériorité n'est pas statistiquement confirmée contre tous les concurrents de haut niveau (ex: L-SHADE), indiquant un chevauchement substantiel de performance parmi les méthodes avancées.
• Coût Computationnel : L'étape de tri requise pour les mises à jour de la population induit un coût computationnel non négligeable, pouvant limiter l'applicabilité dans des scénarios à contraintes temporelles.
• Sensibilité aux Hyperparamètres : Bien que l'ECU réduise la sensibilité, l'algorithme nécessite toujours le calibrage de paramètres tels que $r_{min}$ et $r_{max}$, et les performances peuvent se dégrader si ceux-ci sont définis en dehors des plages recommandées.
• Portée : L'implémentation actuelle est un optimiseur à objectif unique sans garanties théoriques formelles de convergence. Les auteurs suggèrent que les travaux futurs devraient traiter les problèmes de haute dimension ($D > 500$), l'optimisation multi-objectif et les espaces de recherche discrets.