The Marangoni Effect Algorithm: A Novel Physics-Inspired Metaheuristic for Global Optimization

In de wereld van techniek en wetenschap is het vinden van de best mogelijke oplossing voor een complex probleem vaak als het zoeken naar één perfecte plek in een uitgestrekt, mistig landschap. Het terrein is ongelijkmatig, gevuld met diepe valleien die lijken op de bodem van de wereld, maar die in werkelijkheid slechts lokale vallen zijn, terwijl het ware laagste punt ergens anders verborgen ligt. Decennialang hebben wetenschappers vertrouwd op wiskundige hulpmiddelen om dit terrein te navigeren, maar wanneer het landschap te grillig wordt of de mist te dik, raken die traditionele instrumenten vaak gestrand. Om dit op te lossen, hebben onderzoekers zich tot de natuur en de natuurkunde gewend en computerprogramma's gecreëerd die nabootsen hoe vogels zwermen, hoe mieren voedsel vinden of hoe de zwaartekracht objecten naar elkaar toe trekt. Deze programma's, bekend als metaheuristieken, garanderen niet elke keer een perfect antwoord, maar ze zijn bijzonder goed in het verkennen van het onbekende en het vermijden van doodlopende wegen, wat ze essentieel maakt voor het ontwerpen van alles van wolkenkrabbers tot efficiënte machine learning-modellen.

Een team onderzoekers aan de Universiteit van Zanjan in Iran heeft een nieuwe benadering van deze zoektocht geïntroduceerd, geïnspireerd door een specifiek fluïdumfenomeen dat bekend staat als het Marangoni-effect. Dit is de fysieke kracht die ervoor zorgt dat een vloeistof stroomt van gebieden met een lage oppervlaktespanning naar gebieden met een hoge oppervlaktespanning. Een bekend voorbeeld hiervan zijn de "tranen van wijn" die te zien zijn in een glas: terwijl alcohol verdampt uit de dunne film die aan het glas kleeft, creëert dit een verschil in spanning dat de vloeistof tegen de wand omhoog trekt, om zich vervolgens te verzamelen in druppels en weer naar beneden te vallen. De onderzoekers, Masoud Mollayi en Mehdi Babaei, realiseerden zich dat deze natuurlijke cyclus van verspreiden en vervolgens weer samenstromen vertaald kon worden naar een krachtige zoekstrategie. Ze bouwden een algoritme dat dit gedrag nabootst, waarbij ze de verspreidingsfase gebruiken om de gehele zoekruimte te verkennen en de verzamelingsfase om zich te concentreren op de meest veelbelovende gebieden.

De nieuwe methode, de Marangoni Effect Algorithm genoemd, werkt door een zwerm virtuele druppels te simuleren die over een digitaal landschap bewegen. In het begin laat het algoritme een druppel vrij die zich breed verspreidt, waardoor wordt gegarandeerd dat de zoektocht het hele beschikbare gebied beslaat. Naarmate het proces vordert, evalueert het algoritme hoe goed elke druppel presteert. Druppels die betere oplossingen vinden, worden behandeld alsof ze zich in ondiepere, aantrekkelijkere regio's van een container bevinden, waardoor de andere druppels aggregeren of naar hen toe bewegen. Cruciaal is dat het algoritme twee concurrerende behoeften in evenwicht houdt: de behoefte om ver en breed te kijken naar nieuwe mogelijkheden, en de behoefte om in te zoomen en de beste vondsten te verfijnen. Dit bereikt het door de afstand die de druppels kunnen verspreiden geleidelijk te verkleinen naarmate de zoektocht vordert, vergelijkbaar met een zoekploeg die begint door zich over een heel veld te verspreiden en dan langzaam samen te komen op een specifieke locatie zodra er een aanwijzing is gevonden.

Om te testen of deze nieuwe methode daadwerkelijk werkt, hebben de onderzoekers het onderworpen aan een reeks rigoureuze proeven tegen vier andere bekende zoekalgoritmen. Ze gebruikten een standaardset van drieëntwintig moeilijke wiskundige problemen die ontworpen zijn om te testen hoe goed een programma het laagste punt in een landschap kan vinden. Deze problemen varieerden van eenvoudige, gladde heuvels tot complexe, grillige terreinen met veel valse bodems. Het team voerde de tests vijftig keer uit voor elk probleem om ervoor te zorgen dat de resultaten consistent waren en niet slechts gelukkige gokken. De bevindingen toonden aan dat het Marangoni Effect Algorithm zeer effectief was. In de tests met eenvoudige landschappen vond het consequent betere oplossingen sneller dan de andere methoden. In de complexere, met veel pieken gevulde landschappen waar andere algoritmen vaak vastliepen, toonde de nieuwe methode een superieur vermogen om lokale vallen te ontsnappen en in verschillende specifieke gevallen het ware globale optimum te vinden.

Het meest opvallende bewijs van de betrouwbaarheid van het algoritme kwam uit de prestaties op een specifieke set problemen met een vaste dimensie. Op vijf van deze complexe uitdagingen (geïdentificeerd als F16, F18, F21, F22 en F23) vond het algoritme bij elke enkele van de vijftig runs exact dezelfde beste oplossing, wat duidt op nul variatie in de resultaten. Dit niveau van consistentie suggereert dat de methode niet simpelweg gokt, maar een robuust pad naar het antwoord volgt. Hoewel de onderzoekers erkennen dat geen enkel algoritme perfect is voor elk mogelijk probleem, wijzen hun resultaten erop dat dit nieuwe natuurkundig geïnspireerde hulpmiddel een sterke kandidaat is voor het oplossen van moeilijke optimalisatietaken. De studie concludeert dat door gebruik te maken van de natuurlijke logica van hoe vloeistoffen bewegen en samenklonteren, zij een zoekinstrument hebben gecreëerd dat zowel eenvoudig in gebruik als opmerkelijk precies is, wat een nieuwe manier biedt om de complexe ontwerpuitdagingen van de moderne techniek aan te pakken.