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

Technische Samenvatting: Optimalisatie van het Indiase Huwelijksysteem (IWSO)

Probleemstelling
Metaheuristische optimalisatiealgoritmen zijn essentieel voor het oplossen van complexe, niet-lineaire en hoogdimensionale problemen in de techniek en computationele intelligentie. Echter, klassieke benaderingen zoals Genetische Algoritmen (GA), Particle Swarm Optimization (PSO) en Differentiële Evolutie (DE) komen vaak vast te zitten in aanhoudende uitdagingen, waaronder voortijdige convergentie, verlies van populatiediversiteit en beperkte aanpasbaarheid aan dynamische omgevingen. Deze beperkingen vloeien vaak voort uit vaste zoekparameters en rigide populatiedynamiek, wat de prestaties beperkt bij grootschalige of tijdsvariërende optimalisatietaken. Het artikel adresseert de behoefte aan een adaptief, sociaal geïnspireerd raamwerk dat in staat is diversiteit te behouden en exploratie beter te balanceren met exploitatie dan bestaande natuur- of natuurkundige analogieën.

Methodologie
De auteurs stellen het Indian Wedding System Optimization (IWSO) voor, een nieuw populatiegebaseerd metaheuristisch algoritme geïnspireerd op de sociaal-culturele dynamiek van traditionele Indiase huwelijken. Het algoritme modelleert het matchmakingsproces—gekarakteriseerd door samenwerking tussen families, kandidaten en matchmakers—als een geleide, selectieve zoekframework.

Het operationele ontwerp van IWSO volgt een zevenstaps iteratieve cyclus:

1. Initialisatie: Een populatie van kandidaatoplossingen wordt willekeurig gegenereerd binnen gedefinieerde grenzen, analoog aan families die meerdere potentiële matches overwegen.
2. Fitness-evaluatie: Kandidaten worden geëvalueerd met behulp van een gewogen multi-objectieve fitnessfunctie die meerdere criteria aggregeert (bijvoorbeeld compatibiliteit, financiële stabiliteit), wat de multifactoriële besluitvorming bij matchmaking weerspiegelt.
3. Identificatie van beste kandidaat: De optimale oplossing (de "beste match") wordt geïdentificeerd om te dienen als benchmark.
4. Matchmaker-geleide invloed: Een adaptieve matchmaker-factor ($M$) controleert de update van kandidaatposities. Deze factor neemt af over iteraties, waardoor het algoritme verschuift van brede stochastische exploratie naar geïntensiveerde lokale exploitatie. Elite-oplossingen leiden zwakkere kandidaten naar veelbelovende gebieden zonder dat externe controleparameters nodig zijn.
5. Adaptieve eliminatie en herinitialisatie: Om stagnatie te voorkomen, worden kandidaten die te veel lijken op de beste match maar niet optimaal zijn, geëlimineerd. Ze worden vervangen door nieuwe kandidaten die worden gegenereerd via een combinatie van de globale beste oplossing, het populatiegemiddelde en gecontroleerde stochastische perturbaties. Dit mechanisme behoudt diversiteit en voorkomt voortijdige convergentie.
6. Selectie: De beste oplossing wordt bijgewerkt op basis van fitnessvergelijkingen.
7. Beëindiging: Het proces herhaalt zich totdat het maximumaantal iteraties is bereikt of een convergentiecriteria is voldaan.

Theoretische analyse stelt vast dat IWSO een lineaire tijdscomplexiteit heeft van $O(T_{max}n(D + K))$ en een ruimtelijke complexiteit van $O(nD)$, waarbij $n$ de populatiegrootte is, $D$ de dimensionaliteit en $K$ het aantal objectieven. Convergentieanalyse bewijst dat het algoritme onder specifieke voorwaarden met betrekking tot stochastische perturbaties en elitistische selectie bijna zeker convergeert naar het globale minimum.

Belangrijkste bijdragen
Het artikel schetst vier primaire bijdragen:

• Nieuw metapoor-geleid raamwerk: De introductie van IWSO, dat sociaal-culturele componenten van Indiase huwelijken (matchmakers, vrijers, eliminatierituelen) in kaart brengt naar algoritmische operaties voor zoeken, selectie en adaptatie.
• Matchmaker-geleide invloed: Een strategie waarbij elite-oplossingen de evolutie van zwakkere kandidaten sturen, wat convergentie en verkenning van de zoekruimte verbetert zonder afhankelijkheid van externe controleparameters.
• Adaptieve eliminatie en herinitialisatie: Een mechanisme dat onderpresterende individuen dynamisch vervangt om populatiediversiteit te behouden en stagnatie te voorkomen, waarmee een veelvoorkomende faalmodus in klassieke metaheuristieken wordt aangepakt.
• Uitgebreide evaluatie: Een rigoureuze theoretische en empirische analyse die de computationele efficiëntie, schaalbaarheid en superioriteit van IWSO ten opzichte van state-of-the-art (SoTA) zwermintelligentie-algoritmen aantoont.

Experimentele resultaten
De prestaties van IWSO werden geëvalueerd op 23 benchmarktestfuncties (die unimodale, multimodale, separabele en niet-separabele categorieën bestrijken) en vergeleken met tien gevestigde algoritmen: GA, ABC, PSO, ACO, DE, WOA, HS, SA, BHO en CS.

• Convergentie en stabiliteit: IWSO toonde superieure convergentiesnelheid en oplossingskwaliteit over hoogdimensionale en multimodale landschappen. In statistische vergelijkingen over 30 onafhankelijke runs behaalde IWSO lagere standaardafwijkingen op 18 van de 23 functies, wat wijst op hogere stabiliteit en betrouwbaarheid.
• Efficiëntie: Het algoritme presteerde consistent beter dan concurrenten wat betreft runtime (RT), waarbij vaak aanzienlijk minder rekentijd nodig was om optimale of bijna-optimale oplossingen te bereiken.
• Sensitiviteitsanalyse: De studie analyseerde de impact van controleparameters, specifiek de Matchmaker-factor ($M$) en het aantal iteraties ($T_{max}$). Resultaten gaven aan dat IWSO robuust is over variërende parameterinstellingen, waarbij de adaptieve mechanismen effectief exploratie en exploitatie balanceren ongeacht de complexiteit van het probleem.
• Vergelijkende prestaties: In 3D-oppervlaktediagrammen die fitnesswaarden analyseren tegen populatiegrootte en iteratieaantallen, leidde IWSO de zoektocht consistent naar lagere voorspellingsfouten in vergelijking met GA en DE, wat zijn aanpasbaarheid en precisie bevestigt.

Betekenis en claims
Het artikel claimt dat IWSO een significante vooruitgang vertegenwoordigt door menselijk geïnspireerde coördinatie te verbinden met computationele intelligentie. In tegenstelling tot conventionele natuur-geïnspireerde algoritmen die uitsluitend vertrouwen op fysische of biologische analogieën, introduceert IWSO een sociaal verankerd optimalisatieparadigma. De auteurs stellen dat door sociale hiërarchie, coöperatief leren en adaptieve feedback in de kernontwerp te verwerken, IWSO duurzame populatiediversiteit en robuuste convergentie bereikt, zelfs in complexe, beperkte en hoogdimensionale zoekruimten.

Het werk positioneert IWSO als een robuust alternatief voor conventionele metaheuristieken, met name voor scenario's die snelle convergentie, weerstand tegen stagnatie en aanpasbaarheid in dynamische omgevingen vereisen. De auteurs suggereren dat het vermogen van het algoritme om multi-objectieve en hoogdimensionale problemen te hanteren, het geschikt maakt voor real-world grootschalige optimalisatietaken, hoewel zij opmerken dat toekomstig onderzoek zich zal richten op hybride extensies en toepassingen in gedistribueerde en tijdsvariërende omgevingen, zoals cloudresource-orkestratie en industriële planning.