Blind Smart Navigator Optimizer (BSNO): A Bio-Inspired Hybrid Metaheuristic Algorithm for Expensive Black-Box Optimization

Dans le monde de l'ingénierie et de la découverte scientifique, les chercheurs sont souvent confrontés à un paradoxe frustrant : les problèmes les plus importants sont aussi les plus coûteux à résoudre. Imaginez que vous essayiez de concevoir une nouvelle aile d'avion ou un dispositif médical complexe. Pour savoir si un concept fonctionne, vous ne pouvez pas simplement injecter des chiffres dans une formule ; vous devez lancer une simulation informatique massive qui peut prendre des heures, voire des jours, pour s'achever. Ces problèmes sont connus sous le nom de défis de type « boîte noire » car les rouages internes sont cachés, et la seule façon d'obtenir une réponse est de demander à l'ordinateur de lancer le test. Lorsqu'un seul test prend autant de temps, vous ne pouvez pas vous permettre de deviner au hasard ou d'essayer des millions de variations aléatoires. Vous avez besoin d'un guide incroyablement efficace, un guide qui sait exactement où regarder ensuite sans gaspiller une seule heure précieuse de temps de calcul.

Pendant des décennies, les scientifiques ont tenté de résoudre cela en créant des algorithmes qui imitent la nature, comme la façon dont les oiseaux volent en groupe ou l'évolution sélectionne les traits les plus aptes. Bien que ces méthodes fonctionnent bien pour de nombreuses tâches, elles éprouvent souvent des difficultés lorsque le coût de chaque test est très élevé. Elles peuvent rester bloquées dans un point local satisfaisant, pensant qu'il s'agit de la meilleure solution possible, ou elles peuvent errer sans but, épuisant le nombre limité de tests autorisés. Le défi a été de construire un système qui ne soit pas une simple recherche aléatoire, mais un processus intelligent et adaptatif qui apprend de chaque étape, se souvient des erreurs passées et sait quand prendre un risque.

Une nouvelle approche, développée par Majid Darehmiraki de l'Université de technologie de Behebhan Khatam Alanbia, propose un type d'inspiration différent. Au lieu d'observer les oiseaux ou les bactéries, le chercheur a observé la façon dont une personne aveugle navigue dans un environnement inconnu et accidenté. Le système qui en résulte, appelé Blind Smart Navigator Optimizer (Optimiseur de Navigateur Aveugle Intelligent), est un programme informatique conçu pour résoudre ces problèmes difficiles et coûteux en copiant le processus de décision méticuleux et étape par étape d'un marcheur aveugle. L'étude suggère qu'en traduisant les stratégies physiques et cognitives de la navigation humaine en règles mathématiques, l'algorithme peut trouver de meilleures solutions plus rapidement et avec beaucoup moins de tests gaspillés que les méthodes actuelles.

L'idée centrale de ce nouvel algorithme est que naviguer dans l'inconnu nécessite une séquence spécifique d'actions : ressentir l'environnement immédiat, décider d'un mouvement, se souvenir de là où l'on est passé et, occasionnellement, demander de l'aide. Dans la version informatique, le « marcheur » est un agent virtuel se déplaçant à travers un paysage de solutions possibles. Puisque l'agent ne peut pas voir toute la carte, il utilise une stratégie de « canne blanche ». Dans le monde réel, une personne aveugle frappe le sol avec sa canne pour sentir le terrain devant elle. Dans l'algorithme, cela se fait en construisant un modèle substitut local à l'aide d'un petit ensemble de points précédemment évalués. Cela permet à l'ordinateur d'estimer la pente du terrain juste à côté de la position actuelle sans avoir à lancer la simulation complète et coûteuse pour chaque étape. Il ne lance le test complet et coûteux que lorsque la condition d'Armijo confirme que l'étape produit une diminution suffisante de la fonction objectif.

Une fois que l'agent connaît la direction, il doit décider de l'amplitude de son pas. Un marcheur aveugle ne fait pas la même taille de pas partout ; il fait de grands pas confiants sur un terrain lisse et sûr, mais raccourcit ses pas lorsqu'il sent un obstacle ou une zone rugueuse. Le nouvel algorithme imite cela en ajustant automatiquement la taille de son pas. Si le chemin semble cohérent et prometteur, il se déplace rapidement. Si le terrain semble instable ou incertain, il ralentit et fait des pas plus petits et plus sûrs. Cela empêche le système de dépasser une bonne solution ou de rester coincé dans un endroit difficile. De plus, l'agent garde une carte mentale des endroits où il a déjà essayé et échoué. S'il se retrouve coincé dans une boucle, en essayant de nouveau et encore les mêmes impasses, il s'en souvient et se force à sauter vers une zone complètement nouvelle, garantissant qu'il ne perd pas de temps à revisiter des régions improductives.

Le système intègre également une forme d'apprentissage social. Tout comme une personne aveugle pourrait demander des directions à un passant pour obtenir une perspective plus large, l'algorithme permet à ses agents virtuels de partager des informations. Si un agent trouve un endroit particulièrement prometteur, les autres ajustent leur trajectoire pour se diriger vers ce lieu. Ce guidage collectif aide l'ensemble du groupe à se déplacer efficacement vers la meilleure solution sans que chacun ne reste piégé dans la même vallée locale. Pour gérer le risque de rester coincé dans un trou profond qui ressemble à un creux mais qui n'en est pas un, l'algorithme inclut un mécanisme qui accepte occasionnellement un pas qui semble moins bon que le précédent. C'est similaire à un voyageur qui décide de prendre un chemin escarpé et ascendant parce qu'il pourrait mener à une meilleure vue plus tard. En permettant ces mouvements risqués dès le début, le système garde ses options ouvertes et évite de se contenter trop tôt d'une réponse médiocre.

Les chercheurs ont testé cette nouvelle méthode contre plusieurs techniques d'optimisation établies, y compris les algorithmes génétiques et l'optimisation par essaim de particules, en utilisant un ensemble de défis mathématiques standards connus pour être difficiles à résoudre. Ces tests impliquaient des problèmes avec des niveaux de complexité et des dimensions variables. Les résultats ont montré que le Blind Smart Navigator Optimizer trouvait systématiquement de meilleures solutions que les autres méthodes, surtout à mesure que les problèmes devenaient complexes. Il atteignait des réponses de haute qualité plus rapidement et avec moins de variation dans ses performances, ce qui signifie qu'il était plus fiable à travers différents types de problèmes. L'analyse statistique a confirmé que ces améliorations n'étaient pas dues au hasard, mais étaient le résultat réel de la nouvelle approche.

Ce qui rend ce travail particulièrement significatif, ce n'est pas seulement sa performance, mais la manière dont il l'atteint. Contraal aux nombreux algorithmes modernes qui sont simplement un mélange aléatoire de différentes techniques collées ensemble, ce système est construit sur un récit unique et cohérent. Chaque partie du code a une raison claire d'exister, directement liée à un comportement spécifique qu'un aveugle utilise pour naviguer dans le monde. Cela rend l'algorithme plus facile à comprendre et à expliquer. Ce n'est pas une « boîte noire » au sein d'une boîte noire ; c'est un processus transparent où la logique de la recherche est aussi claire que la logique d'un humain marchant dans une pièce sombre.

L'étude conclut que ce cadre inspiré de l'humain est particulièrement puissant pour le type de problèmes où chaque test informatique coûte beaucoup de temps et d'argent. En utilisant des suppositions intelligentes pour éviter les tests inutiles, en se souvenant des échecs passés et en équilibrant la prudence et l'exploration, l'algorithme parvient à résoudre des problèmes d'ingénierie et de science difficiles plus efficacement qu'auparavant. Bien que la version actuelle utilise des paramètres fixes pour son comportement, les chercheurs suggèrent que les travaux futurs pourraient rendre le système encore plus intelligent en lui permettant d'ajuster ses propres stratégies à mesure qu'il en apprend davantage sur le problème spécifique qu'il résout. Pour l'instant, le Blind Smart Navigator Optimizer constitue une preuve que l'observation du comportement humain, même sous les limitations sensorielles les plus difficiles, peut fournir un plan directeur puissant pour résoudre les énigmes computationnelles les plus complexes du monde.