Toroidal Search Algorithm: A Topology-Inspired Metaheuristic with Applications to ODE Parameterization in Mathematical Oncology

Dit artikel introduceert de Toroidal Search Algorithm (TSA), een nieuwe metaheuristische optimalisatiemethode die geïnspireerd is op de topologie van een torus om grensproblemen op te lossen en die bewezen superieure prestaties levert bij het bepalen van parameters in complexe modellen voor mathematische oncologie.

De kern

De Torus-Zoektocht: Een Slimme Manier om de Beste Oplossing te Vinden

Stel je voor dat je op zoek bent naar de diepste vallei in een enorm, bergachtig landschap. Je hebt een groep vrienden bij je (een "populatie" van zoekers) en jullie moeten samen de laagste plek vinden. Dit is precies wat wiskundigen en computerwetenschappers doen bij optimalisatie: ze zoeken de beste oplossing voor een probleem, zoals het instellen van medicijnen voor kanker of het vinden van de snelste route.

Maar hier zit een probleem: de meeste zoekers raken vastgeplakt aan de randen van het landschap. Ze lopen tegen een muur op, keren terug en blijven daar hopeloos rondlopen. Dit noemen de auteurs randstagnatie. Het is alsof je in een kamer loopt en elke keer als je tegen de muur loopt, je terugkaatst en weer tegen dezelfde muur loopt. Je komt nooit verder.

Deze paper introduceert een nieuwe methode: de Torale Zoekalgoritme (TSA). Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. De Magische Torus (De Donut)

In plaats van een rechthoekige kamer met muren, stelt TSA het zoekgebied voor als een torus. Wat is dat? Denk aan een donut of een boodschappentas (een oppervlak dat in een cirkel is gebogen).

• Hoe het werkt: Als je in een donut naar rechts loopt en je komt bij de rand, verdwijn je niet. Je duikt direct aan de andere kant weer op. Er zijn geen muren.
• Het voordeel: Je zoekers kunnen oneindig blijven lopen zonder vast te lopen tegen een rand. Ze kunnen het hele landschap verkennen alsof het een continue, eindeloze wereld is.

2. De "Winding Numbers" (De Telkens)

Stel je voor dat je een touw om je middel hebt terwijl je door deze donut-wereld loopt. Elke keer dat je een volledige rondgang maakt (bijvoorbeeld van links naar rechts en weer terug), telt je touw een keer.

• De slimme truc: De computer houdt bij hoeveel rondjes elke zoeker heeft gelopen.
  • Als een zoeker veel rondjes heeft gelopen zonder de diepste vallei te vinden, betekent dit: "Ik heb al veel verkend, maar ik ben nog niet dichtbij."
  • De algoritme zegt dan: "Oké, je bent een ervaren reiziger. Ga nu niet meer hard rennen, maar loop heel voorzichtig en stapjes om de grond goed te onderzoeken."
  • Dit helpt om van een snelle verkenning (globaal zoeken) over te gaan op een nauwkeurige zoektocht (lokaal zoeken).

3. De Sigmoid Schakelaar (De Dimmer)

Om te bepalen wanneer je moet rennen en wanneer je moet staren, gebruiken ze een wiskundige knop die lijkt op een dimmer voor een lamp.

• Aan het begin: De lamp staat fel (100%). De zoekers rennen overal naartoe om het grote plaatje te zien (globale zoektocht).
• Naarmate de tijd vordert: De lamp dimt langzaam. De zoekers stoppen met rennen en gaan heel precies zoeken in de gebieden die er veelbelovend uitzien (lokale zoektocht).

Waarom is dit zo belangrijk? (De Kanker-toepassing)

De auteurs hebben deze methode getest op een heel serieus probleem: het vinden van de juiste medicijndosering voor kankerpatiënten.

• Het probleem: Kankergroei is complex. Er zijn veel variabelen (hoe snel groeit de tumor? Hoe snel werkt het medicijn?). Als je de verkeerde instellingen kiest, werkt de behandeling niet of is het te giftig.
• Het resultaat: De TSA-methode (de donut-methode) vond veel sneller en betrouwbaarder de juiste instellingen dan de oude methoden.
  • De oude methoden (zoals PSO of DE) raakten vaak vast in "lokale valleien" (ze dachten dat ze de beste oplossing hadden gevonden, maar het was slechts een kleine kuil, niet de diepste).
  • De TSA-methode kon over de "randen" springen en vond de echte, diepste oplossing, zelfs als de data ruisig was (zoals bij echte patiënten).

Samenvatting in één zin

De Torale Zoekalgoritme is als een slimme zoektocht in een wereld zonder muren, waar de zoekers weten wanneer ze moeten rennen om het gebied te verkennen en wanneer ze moeten stilstaan om de grond te onderzoeken, waardoor ze veel sneller de perfecte oplossing vinden voor complexe problemen zoals kankerbehandeling.

Kortom: Het is een nieuwe, slimmere manier voor computers om "de naald in de hooiberg" te vinden, zonder dat ze vastlopen tegen de randen van de hooiberg.

Technische samenvatting

Titel: Toroidal Search Algorithm (TSA): Een Topologie-Geïnspireerde Metaheuristiek

Auteurs: Changin Oh en Kathleen P. Wilkie
Datum: 3 maart 2026

---

1. Het Probleem

Optimalisatieproblemen in wetenschap en engineering zijn vaak complex, niet-lineair en hoogdimensionaal. Traditionele metaheuristische algoritmen (zoals PSO, DE, FA) kampen met een fundamenteel nadeel: grensstagnatie (boundary stagnation).

• Grensstagnatie: Wanneer zoekagenten de randen van het zoekgebied bereiken, worden ze vaak teruggekaatst, geabsorbeerd of willekeurig herinitialiseerd. In hoogdimensionale ruimten gebeurt grensoverschrijding veel vaker, wat leidt tot voortijdige convergentie naar suboptimale oplossingen en een verlies van zoekcapaciteit.
• Toepassing in Kankeronderzoek: Het schatten van parameters voor differentiaalvergelijkingen (ODE's) in de wiskundige oncologie is een omgekeerd probleem met een zeer complex, niet-convex landschap. Bestaande methoden hebben moeite om de juiste fysiologisch plausibele parameters te vinden, vooral bij ruis in de data en complexe dynamieken (zoals meerdere behandelingscycli).

2. Methodologie: De Toroidal Search Algorithm (TSA)

De TSA is een nieuwe populatiegebaseerde metaheuristiek die de topologie van een torus (ringvormig oppervlak) integreert als kernontwerpprincipe, in plaats van als een na-ijlende correctie.

Kerncomponenten:

1. Toroidale Geometrie:
   • Het zoekgebied wordt gemapt op een $n$-dimensionale torus ($T^n$).
   • In plaats van harde randen, worden periodieke randvoorwaarden toegepast: als een agent de ene rand verlaat, komt deze direct weer binnen aan de tegenovergestelde kant. Dit elimineert grensstagnatie volledig en zorgt voor continue, cyclische exploratie.
2. Winding Numbers (Windinggetallen):
   • De algoritme houdt een "winding vector" bij voor elke agent. Deze vector telt het netto aantal keren dat een agent de grenzen van het zoekgebied in elke dimensie heeft gekruist.
   • Lokaal Zoekmechanisme: Agenten met een hoge winding-magnitude (die veel rond het torusoppervlak hebben gereisd zonder een optimum te vinden) krijgen een adaptieve vermindering van hun stapgrootte. Dit stimuleert fijnere lokale verkenning in veelbelovende gebieden.
3. Modificatie van de Sigmoid-functie:
   • Een aangepaste sigmoid-functie regelt de overgang tussen globaal en lokaal zoeken.
   • In vroege iteraties is de factor dicht bij 1 (focus op globale exploratie via toroidale afstanden).
   • In latere iteraties daalt de factor naar 0 (focus op lokale exploitatie, gedreven door de windinggetallen).
4. Update-mechanisme:
   • De nieuwe positie van een agent wordt bepaald door een combinatie van:
     • Een globale term gebaseerd op de toroidale afstand tot de beste oplossing ($P_{best}$).
     • Een lokale term die de stapgrootte schaalt op basis van de windingvector ($1/(1 + \|W_i\|^2)$).
     • Een probabilistische strategie om direct naar de beste oplossing te trekken.

3. Belangrijkste Bijdragen

• Innovatieve Randbehandeling: De eerste metaheuristiek die de toroidale structuur fundamenteel inbouwt in het zoekproces, in plaats van alleen als een "wrapping"-strategie na een overtreding.
• Adaptieve Lokale Zoek: Gebruik van topologische windinggetallen om de zoekintensiteit dynamisch aan te passen op basis van de geschiedenis van de agent.
• Robuustheid in Hoogdimensie: Het algoritme is specifiek ontworpen om de "vloek van de dimensionaliteit" en grensstagnatie te overwinnen.
• Toepassing in de Praktijk: Succesvolle toepassing op een real-world probleem: het schatten van parameters voor chemotherapie-modellen (Log-Kill model) in de wiskundige oncologie.

4. Resultaten

Benchmark Tests (Unimodaal en Multimodaal):

• Prestaties: TSA werd getest op 14 unimodale en 10 multimodale benchmarkfuncties met dimensies $D = 10, 50, 100, 500$.
• Vergelijking: TSA presteerde consequent beter dan of gelijk aan gevestigde algoritmen (PSO, DE, FA, ABC, TLBO).
• Dimensionaliteit: Terwijl concurrenten sterk degradeerden naarmate de dimensie toenam, behield TSA zijn nauwkeurigheid en lage variantie. Vooral bij zeer hoge dimensies ($D=500$) bleek TSA superieur in het vermijden van lokale optima.
• Convergentie: TSA convergeerde sneller naar het globale optimum, zelfs in complexe landschappen met vele lokale minima.

Toepassing: Wiskundige Oncologie (ODE Parameterisatie):

• Synthetische Data: TSA kon parameters van het chemotherapie-model (groei, geneesmiddelenwerkzaamheid, klaring) nauwkeurig reconstrueren uit ruisige data.
  • Stabiliteit: TSA toonde een uitzonderlijk lage variantie tussen runs. Zelfs met een kleine populatiegrootte ($N_p=5$) convergeerde TSA betrouwbaar naar de juiste oplossing, terwijl andere algoritmen vaak faalden of vastliepen in foute regio's.
  • Efficiëntie: Hoewel TSA per iteratie iets meer rekentijd kostte, was de totale rekentijd vaak lager omdat het sneller convergerende, stabiele parameters vond en zo vermijdt dat de ODE-oplosser vastliep in numeriek instabiele gebieden.
• Klinische Data: Bij toepassing op echte prostaatkanker-patiëntdata (PSA-niveaus) was TSA het enige algoritme dat in staat was om fysiologisch plausibele parameters te vinden voor patiënten met complexe, meervoudige behandelingscycli. Andere algoritmen vertoonden voortijdige convergentie en produceerden onnauwkeurige voorspellingen.

5. Betekenis en Conclusie

De Toroidal Search Algorithm (TSA) vertegenwoordigt een significante doorbraak in het veld van globale optimalisatie. Door de topologische eigenschappen van een torus te benutten, lost het een van de meest hardnekkige problemen in metaheuristiek op: de stagnatie aan de randen van het zoekgebied.

De studie demonstreert dat:

1. Topologie-geïnspireerde ontwerpen superieure schaalbaarheid bieden voor hoogdimensionale problemen.
2. Stabiliteit en lage variantie cruciaal zijn voor wetenschappelijke toepassingen (zoals medische modellering), waar onbetrouwbare parameters leiden tot foute klinische voorspellingen.
3. TSA een krachtig en robuust instrument is voor complexe inverse problemen in de wetenschap, waarbij het niet alleen de zoekefficiëntie verbetert, maar ook de betrouwbaarheid van de verkregen oplossingen garandeert.

Dit werk opent de deur voor verdere toepassing van topologische concepten in computationele modellering en data-gedreven wetenschap.