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

In de wereld van engineering en wetenschappelijke ontdekkingen worden onderzoekers vaak geconfronteerd met een frustrerende paradox: de belangrijkste problemen zijn ook de duurste om op te lossen. Stel je voor dat je een nieuwe vliegtuigvleugel of een complex medisch apparaat ontwerpt. Om te weten of een ontwerp werkt, kun je niet simpelweg getallen in een formule invoeren; je moet een massale computersimulatie draaien die uren of zelfs dagen kan duren. Deze problemen staan bekend als "black-box"-uitdagingen omdat de interne werking verborgen is en de enige manier om een antwoord te krijgen is door de computer de test te laten uitvoeren. Wanneer een enkele test zo lang duurt, kun je het je niet veroorloven om wild te gokken of miljoenen willekeurige variaties te proberen. Je hebt een gids nodig die ongelooflijk efficiënt is, een die precies weet waar hij als volgende moet kijken zonder een enkel kostbaar uur aan computertijd te verspillen.

Decennialang hebben wetenschappers geprobeerd dit op te lossen door algoritmen te creëren die de natuur nabootsen, zoals de manier waarop vogels zwermen of evolutie de meest geschikte eigenschappen selecteert. Hoewel deze methoden goed werken voor veel taken, hebben ze vaak moeite wanneer de kosten van elke enkele test zo hoog zijn. Ze kunnen vast komen te zitten in een lokaal goed punt, denkend dat dit de best mogelijke oplossing is, of ze kunnen doelloos ronddwalen, waardoor het beperkte aantal toegestane tests wordt verspild. De uitdaging is geweest om een systeem te bouwen dat niet slechts een willekeurige zoektocht is, maar een slim, adaptief proces dat leert van elke stap, zich herinnert wat de fouten uit het verleden waren en weet wanneer het een risico moet nemen.

Een nieuwe aanpak, ontwikkeld door Majid Darehmiraki aan de Behbahan Khatam Alanbia University of Technology, biedt een andere vorm van inspiratie. In plaats van naar vogels of bacteriën te kijken, keek de onderzoeker naar hoe een blind persoon door een onbekende, ongelijkmatige omgeving navigeert. Het resulterende systeem, de Blind Smart Navigator Optimizer genoemd, is een computerprogramma dat is ontworpen om deze dure, moeilijke problemen op te lossen door het zorgvuldige, stapsgewijze besluitvormingsproces van een blinde wandelaar na te bootsen. De studie suggereert dat door de fysieke en cognitieve strategieën van menselijke navigatie te vertalen naar wiskundige regels, het algoritme sneller betere oplossingen kan vinden en met veel minder verspilde tests dan huidige methoden.

De kern van dit nieuwe algoritme is dat navigeren door het onbekende een specifieke sequentie van acties vereist: de directe omgeving waarnemen, een beslissing nemen over een beweging, onthouden waar je bent geweest en af en toe om hulp vragen. In de computervariant is de "wandelaar" een virtuele agent die zich door een landschap van mogelijke oplossingen beweegt. Omdat de agent niet de hele kaart kan zien, gebruikt hij een "witte stok"-strategie. In de echte wereld tikt een blind persoon met zijn stok op de grond om de grond voor hem te voelen. In het algoritme gebeurt dit door een lokaal surrogaatmodel te construeren met behulp van een kleine set eerder geëvalueerde punten. Dit maakt het mogelijk voor de computer om de helling van het terrein direct naast de huidige positie te schatten zonder voor elke stap de volledige, kostbare test van urenlang te hoeven draaien. Hij voert de volledige, kostbare test pas uit wanneer de Armijo-conditie bevestigt dat de stap een voldoende afname in de objectieve functie oplevert.

Zodra de agent de richting kent, moet hij beslissen hoe groot de stap is. Een blinde wandelaar neemt niet overal even grote passen; hij neemt lange, zelfverzekerde passen op glad, veilig terrein, maar verkort zijn passen wanneer hij een obstakel of een ruig stuk voelt. Het nieuwe algoritme bootst dit na door de stapgrootte automatisch aan te passen. Als het pad consistent en veelbelovend lijkt, beweegt het snel. Als het terrein wankel of onzeker aanvoelt, vertraagt het en neemt het kleinere, veiligere stappen. Dit voorkomt dat het systeem een goede oplossing overschiet of vastlowt in een moeilijk punt. Bovendien houdt de agent een mentale kaart bij van plaatsen waar hij al eerder heeft geprobeerd en gefaald. Als hij merkt dat hij in een lus terechtkomt, waarbij hij steeds weer dezelfde doodlopende wegen probeert, onthoudt hij dit en dwingt hij zichzelf om naar een volledig nieuw gebied te springen, zodat hij geen tijd verspilt aan het herhaaldelijk bezoeken van onproductieve regio's.

Het systeem bevat ook een vorm van sociaal leren. Net zoals een blind persoon een voorbijganger om de weg kan vragen om een breder perspectief te krijgen, staat het algoritme zijn virtuele agenten toe om informatie te delen. Als één agent een bijzonder veelbelovende plek vindt, passen de anderen hun pad aan om naar die locatie te bewegen. Deze collectieve begeleiding helpt de hele groep om efficiënt naar de beste oplossing te bewegen zonder dat iedereen in dezelfde lokale vallei vast komt te zitten. Om het risico te beheersen dat men vast komt te zitten in een diep gat dat eruitziet als de bodem maar dat niet is, bevat het algoritme een mechanisme dat af en toe een stap accepteert die slechter lijkt dan de huidige. Dit is vergelijkbaar met een reiziger die besluit een ruig, omhooggaand pad te nemen omdat het later tot een beter uitzicht zou kunnen leiden. Door deze risicovolle bewegingen in een vroeg stadium toe te laten, houdt het systeem zijn opties open en voorkomt het te vroeg genoegen te nemen met een matig antwoord.

De onderzoekers hebben deze nieuwe methode getest tegen verschillende gevestigde optimalisatietechnieken, waaronder genetische algoritmen en particle swarm optimization, met behulp van een reeks standaard wiskundige uitdagingen die bekend staan om het feit dat ze moeilijk op te lossen zijn. Deze tests omvatten problemen met variërende niveaus van complexiteit en dimensies. De resultaten toonden aan dat de Blind Smart Navigator Optimizer consequent betere oplossingen vond dan de andere methoden, vooral naarmate de problemen complexer werden. Het bereikte kwalitatief hoogwaardige antwoorden sneller en met minder variatie in de prestaties, wat betekent dat het betrouwbaarder is over verschillende soorten problemen heen. Statistische analyse bevestigde dat deze verbeteringen niet door toeval kwamen, maar een echt resultaat waren van de nieuwe aanpak.

Wat dit werk bijzonder significant maakt, is niet alleen dat het goed presteert, maar hoe het die prestatie bereikt. In tegen tegenstelling tot veel moderne algoritmen die simpelweg een willekeurige mix zijn van verschillende technieken die aan elkaar zijn geplakt, is dit systeem gebouwd op één enkel, samenhangend verhaal. Elk deel van de code heeft een duidelijke reden van bestaan, direct gekoppeld aan een specifieke handeling die een blind persoon gebruikt om de wereld te navigeren. Dit maakt het algoritme gemakkelijker te begrijpen en uit te leggen. Het is geen "black box" binnen een black box; het is een transparant proces waarbij de logica van de zoektocht even helder is als de logica van een mens die door een donkere kamer loopt.

De studie concludeert dat dit door de mens geïnspireerde framework bijzonder krachtig is voor het soort problemen waarbij elke computertest veel tijd en geld kost. Door slimme gissingen te gebruiken om onnodige tests te vermijden, zich te herinneren aan eerdere mislukkingen en een balans te vinden tussen voorzichtigheid en exploratie, slaagt het algoritme erin om moeilijke engineering- en wetenschappelijke problemen efficiënter op te lossen dan voorheen. Hoewel de huidige versie vaste instellingen gebruikt voor zijn gedrag, suggereren de onderzoekers dat toekomstig werk het systeem nog slimmer kan maken door het in staat te stellen zijn eigen strategieën aan te passen naarmate het meer leert over het specifieke probleem dat het oplost. Voor nu staat de Blind Smart Navigator Optimizer als een bewijs dat het kijken naar menselijk gedrag, zelfs onder de meest uitdagende zintuiglijke beperkingen, een krachtig blauwdruk kan bieden voor het oplossen van de moeilijkste computationele puzzels ter wereld.