💻 computer science

GeoSSA: Geometric Sparrow Search Algorithm for UAV Path Planning and Engineering Design Optimization

Dit artikel stelt het Geometric Sparrow Search Algorithm (GeoSSA) voor, dat het oorspronkelijke SSA verbetert door middel van geometrische initialisatie en verbeterde update-strategieën om superieure prestaties op het gebied van globale optimalisatie, stabiliteit en robuustheid te bereiken in benchmarktests, UAV-padplanning en technische ontwerpproblemen.

Oorspronkelijke auteurs: Junhao Wei, Wenxuan Zhu, Qingyang Xu, Yanxiao Li, Yifu Zhao, Zikun Li, Ran Zhang, Yanzhao Gu, Jinhong Song, Yapeng Wang, Zhiwen Wang, Ngai Cheong, Sio-Kei Im, Xu Yang

Gepubliceerd 2026-01-28

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Junhao Wei, Wenxuan Zhu, Qingyang Xu, Yanxiao Li, Yifu Zhao, Zikun Li, Ran Zhang, Yanzhao Gu, Jinhong Song, Yapeng Wang, Zhiwen Wang, Ngai Cheong, Sio-Kei Im, Xu Yang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de absoluut beste route te vinden voor een bezorgdrone die door een drukke stad vliegt, of dat je probeert een machineonderdeel te ontwerpen dat sterk is maar zo min mogelijk materiaal gebruikt. Dit zijn "optimalisatieproblemen". Je hebt miljoenen mogelijke antwoorden, maar er is er slechts één die de perfecte "Goldilocks"-oplossing is—niet te lang, niet te kort, maar precies goed.

Decennialang hebben wetenschappers "metaheuristische algoritmen" gebruikt om deze puzzels op te lossen. Denk aan deze algoritmen als een team ontdekkingsreizigers dat een donker, mistig bos in wordt gestuurd om de hoogste piek (de beste oplossing) te vinden.

Het Oorspronkelijke Team: De Musjes

Een populair team van ontdekkingsreizigers heet het Sparrow Search Algorithm (SSA). Het bootst een zwerm mussen na die op zoek is naar voedsel.

Producenten: Een paar dappere vogels die de weg wijzen en grote gebieden afzoeken naar voedsel.
Schraapeters: De rest van de zwerm die de leiders volgt, in de hoop voedsel in hun buurt te vinden.
Rand-musjes: Vogels aan de buitenkant van de zwerm die uitkijken voor roofdieren (gevaren) en naar veiligheid bewegen.

Het Probleem: Het oorspronkelijke team heeft een gebrek. Soms raken de vogels te comfortabel op één plek, denkend dat ze het beste voedsel hebben gevonden, om er later pas achter te komen dat ze vastzaten in een klein dal terwijl er vlak naast hen een enorme bergtop stond. Ze raken te vroeg "vastgelopen" (voortijdige convergentie) en missen het echte beste antwoord.

Het Nieuwe Team: GeoSSA (De Geometrische Musjes)

De auteurs van dit artikel, een team van de Macao Polytechnic University en anderen, besloten de zwerm een upgrade te geven. Ze creëerden GeoSSA (Geometric Sparrow Search Algorithm). Ze hebben niet alleen de regels aangepast; ze hebben de musjes drie superkrachten gegeven om ze tot slimmere ontdekkingsreizigers te maken.

1. Een "Perfecte Kaart" Start (Good Nodes Set Initialization)

De Oude Manier: Wanneer de oorspronkelijke zwerm begon, werden ze willekeurig geplaatst, alsof er met blinddoek pijltjes op een kaart werden gegooid. Dit betekende vaak dat te veel vogels op dezelfde plek landden (klontering), terwijl enorme delen van de kaart leeg bleven.
De GeoSSA Upgrade: In plaats van willekeurig gooien, gebruikten ze een "Good Nodes Set". Stel je voor dat je een raster van tegels zo perfect legt dat elke vierkante inch van de kaart gelijkmatig wordt bedekt, zonder gaten en zonder klontering.

Waarom het helpt: De vogels beginnen met een perfect overzicht van het hele bos, wat ervoor zorgt dat ze vanaf het begin geen enkele potentiële "voedselbron" missen.

2. De "Sinus-Cosinus" Sprong (Enhanced Producer Update)

De Oude Manier: De leider-vogels (Producenten) bewogen met eenvoudige, voorspelbare stappen. Als ze dicht bij een goede plek waren, zetten ze gewoon kleine stapjes vooruit. Als ze ver weg waren, maakten ze misschien een sprong, maar die sprong was niet erg slim.
De GeoSSA Upgrade: De leiders gebruiken nu een mix van Sinus- en Cosinusfuncties (wiskundige golven) om te bepalen hoe ze bewegen.

De Analogie: Stel je voor dat de leider-vogel niet alleen in een rechte lijn loopt. In plaats daarvan danst hij in een golfpatroon. Soms vertelt de golf hem om een enorme, zwaaiende sprong te maken naar een totaal nieuw deel van het bos (exploratie). Op andere momenten vertelt de golf hem om kleine, voorzichtige stapjes te zetten om een goede plek te verfijnen (exploitatie).
Waarom het helpt: Dit voorkomt dat de vogels vastlopen in een lokaal dal. Ze kunnen grote, strategische sprongen maken om de echte hoogste piek te vinden.

3. Het "Driehoekige Loopje" Veiligheidsnet (Enhanced Edge Update)

De Oude Manier: De vogels aan de rand van de zwerm (die het meest kwetsbaar zijn) bewogen in eenvoudige, rechte lijnen om aan gevaar te ontsnappen. Dit was te rigide.
De GeoSSA Upgrade: Deze vogels gebruiken nu een "Driehoekige Loop".

De Analogie: In plaats van in een rechte lijn weg te rennen van een roofdier, stel je voor dat een vogel in een driehoeksvorm rent. Hij beweegt vooruit, maakt dan een scherpe bocht naar links, en daarna een scherpe bocht naar rechts. Dit creëert een zigzagpad dat veel moeilijker te voorspellen is en waardoor de vogel de directe omgeving grondiger kan verkennen voordat hij gaat rusten.
Waarom het helpt: Het voegt een laag van willekeur en flexibiliteit toe, wat de zwerm helpt om lastige vallen (lokale optima) te ontwijken die de oorspronkelijke vogels wel zouden hebben gevangen.

Het Onder de Proef Stellen

De onderzoekers hebben dit nieuwe "Super-zwerm" door drie grote proeven gehaald:

De Wiskunde-gym (Benchmark Functies): Ze testten het algoritme op 23 verschillende complexe wiskundige puzzels.
- Resultaat: GeoSSA won bijna elke keer. Het vond de beste antwoorden sneller en consistenter dan de oorspronkelijke Musjes en andere beroemde ontdekkingsreizigers (zoals Wolf Optimizers of Ant Colony algoritmen). Het had een "Win Rate" van 95,65%.
De Drone-race (UAV Path Planning): Ze vroegen de algoritmen om een 3D-vliegroute te plannen voor een drone die van punt A naar punt B moet vliegen terwijl hij obstakels vermijdt.
- Resultaat: GeoSSA tekende het soepelste, kortste en veiligste pad. Andere algoritmen namen soms lange, kronkelige routes of vlogen tegen muren op. Het pad van GeoSSA was stabiel en betrouwbaar.
De Engineering Werkplaats: Ze gebruikten het algoritme om vier echte engineering-ontwerpproblemen op te lossen:
- Het ontwerpen van een Corrugated Bulkhead (een sterke wand voor chemische tanks).
- Het ontwerpen van een Piston Lever (een onderdeel voor pompen).
- Het ontwerpen van een Reactor Network (voor chemische fabrieken).
- Het ontwerpen van een Industrieel Koelsysteem.
- Resultaat: In alle vier de gevallen vond GeoSSA de meest efficiënte ontwerpen (met minder materiaal of energie) en deed het dit met de meeste consistentie. Het was niet slechts één keer geluk; het behaalde bij elke uitvoering van de test het beste resultaat.

De Kern van het Verhaal

Het artikel stelt dat door de Sparrow Search Algorithm een betere startkaart, slimmere bewegingsregels voor hun leiders en een flexibelere ontsnappingsstrategie voor hun randleden te geven, ze een hulpmiddel hebben gecreëerd dat aanzienlijk beter is in het oplossen van complexe puzzels.

Of het nu gaat om het begeleiden van een drone door een stad of het ontwerpen van een machineonderdeel, GeoSSA wordt gepresenteerd als een meer betrouwbare, snellere en slimmere manier om de "perfecte" oplossing te vinden tussen miljoenen mogelijkheden. Het gokt niet alleen; het verkent het hele bos systematisch en weet precies wanneer het een enorme sprong moet maken en wanneer het een voorzichtige stap moet zetten.

Technische Samenvatting: Geometric Sparrow Search Algorithm (GeoSSA) voor UAV-padplanning en Engineering Design Optimalisatie

Probleemstelling
Het Sparrow Search Algorithm (SSA), een populatiegebaseerde metaheuristiek geïnspireerd door het foerageer- en anti-predatiegedrag van mussen, staat bekend om zijn eenvoudige structuur en gemakkelijke implementatie. De oorspronkelijke SSA lijdt echter aan een onvoldoende balans tussen exploratie (globale zoektocht) en exploitatie (lokale zoektocht). Deze disbalans leidt vaak tot voortijdige convergentie, trage optimalisatieprogressie en een neiging om vast te komen zitten in lokale optima, met name bij het aanpakken van hoogdimensionele, complexe en multimodale optimalisatieproblemen. Deze beperkingen hinderen de effectiviteit ervan in kritieke real-world toepassingen zoals 3D Unmanned Aerial Vehicle (UAV) padplanning en complexe engineering design optimalisatie, waar robuuste globale zoekvermogens en een hoge oplossingsstabiliteit vereist zijn.

Methodologie
Om deze tekortkomingen aan te pakken, stellen de auteurs de Geometric Sparrow Search Algorithm (GeoSSA) voor. Dit verbeterde algoritme integreert drie specifieke strategieën om de prestaties van de oorspronkelijke SSA te verbeteren:

Good Nodes Set Initialisatie: In plaats van de traditionele pseudo-willekeurige getallinisatiatie, maakt GeoSSA gebruik van de "Good Nodes Set"-methode (gebaseerd op de getaltheorie van Hua Luogeng). Deze aanpak genereert een populatie met een meer uniforme ruimtelijke verdeling over de zoekruimte, wat populatieclustering effectief voorkomt en bredere dekking garandeert tijdens de initiële exploratiefase. Deze methode staat bekend om het behoud van uniformiteit, zelfs in hoogdimensionele ruimtes.
Sine-Cosine Verbeterde Producer Positie Update: Het updatemechanisme voor "producers" (de individuen met de beste fitness) wordt gewijzigd door sine- en cosinusfuncties te integreren. Een beslissingslogica gebaseerd op de alarmwaarde ( $R_2$ ) bepaalt of sine- of cosinusfuncties worden gebruikt om de positie-update te controleren. Daarnaast wordt een adaptief inertiegewicht gebaseerd op een sigmoidfunctie geïntroduceerd. Deze strategie versterkt de diversiteit van de globale zoektocht, waardoor producers grotere sprongen kunnen maken in de oplossingsruimte om lokale optima te ontsnappen, terwijl een balans tussen exploratie en exploitatie behouden blijft.
Triangular Walk Verbeterde Edge Sparrow Positie Update: Voor "edge sparrows" (individuen met een slechtere fitness) introduceert het algoritme een Triangular Walk-mechanisme. Dit omvat een dynamische aanpassingsfactor en een willekeurig verstoringsmechanisme gebaseerd op trigonometrische functies. Deze strategie verhoogt de willekeurigheid van het positie-updateproces, doorbreekt de beperking van enkelrichting-perturbaties en verbetert het vermogen van het algoritme om lokale optima te ontsnappen, terwijl de precisie van de lokale zoektocht in latere stadia wordt verbeterd.

Belangrijkste Bijdragen

Algoritmische Innovatie: De ontwikkeling van GeoSSA, die geometrische initialisatie, sine-cosine dynamiek en triangular walk-perturbaties synergetisch combineert om de specifieke zwakheden van de oorspronkelijke SSA aan te pakken.
Uitgebreide Validatie: De paper voert een rigoureuze evaluatie van GeoSSA uit via:
- Ablatiestudies: Het aantonen van de individuele bijdrage van elke voorgestelde strategie.
- Kwalitatieve Analyse: Het analyseren van zoekgeschiedenis, exploratie-exploitatie ratio's en populatiediversiteit op 23 standaard benchmarkfuncties.
- Vergelijkende Experimenten: Het benchmarken van GeoSSA tegen state-of-the-art algoritmen (AROA, WOA, IWOA, MWOA, IPSO, ISSA) en de oorspronkelijke SSA.
Praktische Toepassing: De succesvolle toepassing van GeoSSA op twee verschillende real-world domeinen:
- 3D UAV Padplanning: Het optimaliseren van vluchtpaden om lengte en hoogtevariantie te minimaliseren, terwijl obstakels worden vermeden en dynamische beperkingen worden voldaan.
- Engineering Design Optimalisatie: Het oplossen van vier complexe beperkte problemen: Corrugated Bulkhead design, Piston Lever design, Reactor Network design, en Industrial Refrigeration System design.

Resultaten
Experimentele resultaten geven aan dat GeoSSA een superieure prestatie levert vergeleken met de vergeleken algoritmen:

Benchmark Functies: Op 23 benchmarkfuncties behaalde GeoSSA de beste of bijna-beste gemiddelde fitness en standaarddeviatie. Het behaalde de hoogste rang in Friedman-testen met een gemiddelde rang van 1.9514 en een Overall Effectiveness (OE) van 95,65%. Wilcoxon signed-rank testen bevestigden statistisch significante verbeteringen ten opzichte van de meeste concurrenten.
UAV Padplanning: In 3D padplannings-taken demonstreerde GeoSSA de hoogste stabiliteit (laagste standaarddeviatie van 0,95654) en produceerde de kortste, meest vloeiende paden met effectieve obstakelvermijding, waarbij het algoritmen zoals IWOA overtrof, die leden onder extreme instabiliteit.
Engineering Design: In alle vier de engineering design problemen behaalde GeoSSA consistent de hoogste oplossingsnauwkeurigheid (laagste gemiddelde fitness) en de sterkste stabiliteit (laagste standaarddeviatie), waarbij het vaak theoretische optimale of bijna-optimale waarden bereikte waar andere algoritmen moeite hadden met convergentie of het voldoen aan beperkingen.

Betekenis en Claims
De paper claimt dat GeoSSA een efficiënt en betrouwbaar oplossingskader biedt voor complexe optimalisatieproblemen. Door effectief de balans te vinden tussen globale exploratie en lokale exploitatie, overwint GeoSSA de problemen van voortijdige convergentie en stagnatie die inherent zijn aan de oorspronkelijke SSA. De auteurs stellen dat het algoritme een sterke robuustheid en generalisatiekracht vertoont, waardoor het niet alleen geschikt is voor standaard benchmark-testen, maar ook voor praktische engineering toepassingen die gekenmerkt worden door hoge dimensionaliteit, niet-lineariteit en complexe beperkingen. De studie concludeert dat GeoSSA een significante vooruitgang vertegenwoordigt in metaheuristische optimalisatie en een veelzijdig instrument biedt voor het aanpakken van uitdagende taken in UAV-navigatie en engineering design.