Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

Technische Samenvatting: Optimalisatie van de Interne Verbrandingsmotor (ICEO)

Probleemstelling
Optimalisatie in hoogdimensionale, niet-lineaire en multimodale zoekruimtes blijft een fundamentele uitdaging in engineering en informatica. Hoewel metaheuristieken effectief zijn gebleken voor NP-harde problemen, lijden veel bestaande algoritmen aan voortijdige convergentie en een onvermogen om een optimaal evenwicht te handhaven tussen exploratie (diversificatie) en exploitatie (intensivering). Huidige adaptieve benaderingen vertrouwen vaak op willekeurige mutatie- of perturbatiestrategieën die de historische dynamiek of de huidige staat van het zoekproces niet expliciet meenemen, wat leidt tot stagnatie in lokale optima.

Methodologie
Het artikel stelt Internal Combustion Engine Optimization (ICEO) voor, een natuurkundig geïnspireerde metaheuristiek die is gestructureerd rond de viertaktcyclus van een verbrandingsmotor. In tegen tegenstelling tot puur metaforische algoritmen, is ICEO ontworpen als een gestructureerd, adaptief systeem waarbij vier gecoördineerde fasen synergetisch met elkaar interageren:

1. Inlaat (Exploratie): Komt overeen met de generatie en integratie van diverse nieuwe oplossingen. Het algoritme trekt "lucht" (kandidaatsoplossingen) uit de atmosfeer (populatie) en "brandstof" (willekeurige perturbatievectoren). De proportie verse lucht versus gerecyclede "verbrandingsgassen" (voorheen weggegooide oplossingen) wordt dynamisch gereguleerd.
2. Compressie (Vroege Exploitatie): De zoekruimte wordt progressief gecontracteerd rond de huidige beste oplossing ($X_{best}$). Luchtdeeltjes worden gecombineerd met brandstofvectoren om nieuwe kandidaatsconfiguraties te genereren, waarbij de zoektocht wordt gefocust op veelbelovende regio's.
3. Verbranding (Intensieve Exploitatie & Ontsnapping): Gemodelleerd als een probabilistisch proces waarbij slechts een subset van oplossingen "ontsteekt". Deze fase omvat intensieve verfijning van de beste oplossingen. Om gevangen te blijven in lokale minima te voorkomen, past het algoritme af en toe Lévy-flight-gebaseerde perturbaties toe op geselecteerde oplossingen.
4. Uitlaat (Selectie & Update): Verbrandingsgassen (nieuw gegenereerde oplossingen) worden geëvalueerd. De populatie wordt gesorteerd, de beste oplossingen worden behouden voor de volgende cyclus, terwijl inferieure kandidaten worden uitgestoten.

Adaptief Controlemechanisme (ECU)
Een centrale innovatie van ICEO is de Engine Control Unit (ECU), een adaptief mechanisme dat de iteratieve cyclus beheert. De ECU monitort de convergentiesnelheid en stagnatie met behulp van een sliding window ($\omega$) van recente fitnesswaarden.

• Het berekent de gemiddelde verbeteringssnelheid ($\Delta f$) en past een acceleratieparameter ($a_x$) aan.
• Op basis van $a_x$ bepaalt de ECU dynamisch de lucht-brandstofverhouding ($\rho_{air}$ en $\rho_{fuel}$), waardoor effectief de balans tussen het injecteren van nieuwe diversiteit (exploratie) en het verfijnen van bestaande oplossingen (exploitatie) wordt gecontroleerd.
• Deze feedbackgestuurde adaptatie stelt het algoritme in staat om in realtime te reageren op de optimalisatiedynamiek in plaats van te vertrouwen op vaste schema's.

Belangrijkste Bijdragen

• Gestructureerde Vierfasige Cyclus: ICEO scheidt zoekoperaties expliciet in afzonderlijke, gecoördineerde stadia (inlaat, compressie, verbranding, uitlaat), wat verschilt van algoritmen die deze functies binnen enkelvoudige update-regels inbedden.
• Adaptieve Regulatie: De introductie van het ECU-mechanisme maakt prestatieafhankelijke parameterinstelling mogelijk, specifiek door de intensiteit van het "verbrandingsproces" en de snelheid van oplossing-injectie aan te passen op basis van waargenomen stagnatie.
• Lucht-Brandstof Mengsel Mechanisme: Het algoritme deelt zoekbronnen expliciet op in externe diversiteitsinjectie (brandstof) en populatiegebaseerde continuïteit (lucht), waarbij de verhouding adaptief wordt gereguleerd om exploratie en exploitatie in evenwicht te houden.

Experimentele Resultaten
De prestaties van ICEO werden geëvalueerd tegen tien state-of-the-art metaheuristieken (waaronder L-SHADE, CMA-ES, GWO, PSO en GA) over drie experimentele stadia:

1. Standaard Benchmark Functies (D=100): Getest op 18 functies (unimodaal en multimodaal). ICEO behaalde de laagste globale rangscore (27 punten) en behaalde 15 eerste plaatsen. Het demonstreerde superieure convergentie-accuratesse op zowel unimodale (bijv. Dixon-Price) als multimodale (bijv. Rastrigin, Ackley) functies vergeleken met concurrenten.
2. CEC 2022 Benchmark Suite (D=20): Geëvalueerd op 12 complexe functies (unimodaal, multimodaal, hybride en compositie). ICEO behaalde de beste gemiddelde rang (2.750) in de Friedman-test.
   • Statistische Significantie: De Nemenyi post-hoc test gaf aan dat de superioriteit van ICEO alleen statistisch significant was tegen de slechtst presterende algoritmen (WarSO, EHO, CMA-ES). Verschillen met topconcurrenten zoals L-SHADE en SADE waren niet statistisch significant onder de Nemenyi-test, hoewel de Wilcoxon signed-rank test aantoonde dat ICEO significant meer pairwise vergelijkingen won (94 winst vs. 18 verlies totaal).
3. Reële Engineering Problemen: ICEO werd toegepast op de Speed Reducer, Three-Bar Truss en Pressure Vessel design problemen. In alle gevallen toonde het competitieve prestaties, snelle convergentie en lage oplossing-dispersie aan vergeleken met de top vijf algoritmen uit de benchmark-tests.
4. Ablatie Studie: Het verwijderen van de compressiefase (V1) veroorzaakte de meest significante prestatieverslechtering, wat de cruciale rol ervan benadrukt. Varianten zonder de ECU (V3) presteerden slechter dan de volledige ICEO, wat de waarde van het adaptieve mechanisme bevestigt.

Betekenis en Beperkingen
Het artikel beweert dat ICEO een robuust kader biedt voor het balanceren van exploratie en exploitatie door middel van zijn gestructureerde, natuurkundig geïnspireerde cyclus en realtime adaptieve controle. Het ECU-mechanisme onderscheidt het van standaard leader-guided algoritmen door de zoekinspanning aan te passen op basis van prestaties in plaats van tijd.

De auteurs erkennen echter specifieke beperkingen:

• Statistische Nuance: Hoewel ICEO vaak als eerste wordt gerangschikt, suggereert de Nemenyi-test dat de superioriteit niet statistisch bevestigd is tegen alle top-tier concurrenten (bijv. L-SHADE), wat wijst op een aanzienlijke overlap in prestaties tussen geavanceerde methoden.
• Computationele Kosten: De sorteerstap die vereist is voor populatie-updates brengt een niet-verwaarloosbare computationele kostenpost met zich mee, wat de toepasbaarheid in scenario's met strikte tijdslimieten kan beperken.
• Hyperparameter Gevoeligheid: Ho help de ECU de gevoeligheid vermindert, vereist het algoritme nog steeds kalibratie van parameters zoals $r_{min}$ en $r_{max}$, en de prestaties kunnen verslechteren als deze buiten de aanbevolen bereiken worden ingesteld.
• Omvang: De huidige implementatie is een single-objective optimizer zonder formele theoretische convergentiegaranties. De auteurs suggereren dat toekomstig werk zich moet richten op hoogdimensionale problemen ($D > 500$), multi-objective optimalisatie en discrete zoekruimtes.