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

在工程学和科学领域，寻找复杂问题的最佳解决方案往往就像是在一片广袤且雾气缭绕的景观中寻找一个完美的点。地形起伏不平，布满了看似深不可测、实则只是局部陷阱的深谷，而真正的最低点却隐藏在别处。几十年来，科学家们一直依赖数学工具来在这片地形中导航，但当景观变得过于崎岖或雾气变得过于浓厚时，这些传统工具往往会陷入困境。为了解决这个问题，研究人员转向自然和物理学，开发出模仿鸟类集群、蚂蚁觅食或重力吸引物体的计算机程序。这些被称为元启发式算法（metaheuristics）的程序并不保证每次都能得到完美答案，但它们在探索未知和避免死胡同方面表现得非常出色，这使得它们在从设计摩天大楼到高效机器学习模型的各个领域中都至关重要。

伊朗赞詹大学的一组研究人员引入了一种新的搜索方法，其灵感源自一种特定的流体现象，即马兰戈尼效应（Marangoni effect）。这是一种导致液体从低表面张力区域流向高表面张力区域的物理力量。一个熟悉的例子是玻璃杯中看到的“酒泪”：随着酒精从附着在玻璃上的薄膜中蒸发，它产生了一种张力差异，将液体向上拉向杯壁，随后液体聚集并落下。研究人员马苏德·莫拉伊（Masoud Mollayi）和梅赫迪·巴巴伊（Mehdi Babaei）意识到，这种自然的分散与聚集循环可以转化为一种强大的搜索策略。他们构建了一种模拟这种行为的算法，利用扩散阶段来探索整个搜索空间，并利用聚集阶段来聚焦于最有希望的区域。

这种被称为马兰戈尼效应算法（Marangoni Effect Algorithm）的新方法，通过模拟一群虚拟液滴在数字景观上移动来进行运作。在开始阶段，算法释放一个液滴并使其广泛扩散，以确保搜索覆盖整个可用区域。随着过程的推进，算法会评估每个液滴的表现。那些发现更好解的液滴会被视为处于容器中更浅、更具吸引力的区域，从而导致其他液滴向其聚合或移动。至关重要的是，该算法平衡了两种相互竞争的需求：寻找新可能性的广度需求，以及聚焦并精炼最佳发现的深度需求。它通过随着搜索进程逐渐缩小液滴可以扩散的距离来实现这一点，就像一支搜寻队最初在整个田野中散开，一旦发现线索便慢慢向特定位置收拢一样。

为了测试这种新方法是否真的有效，研究人员将其置于一系列严格的试验中，与其他四种著名的搜索算法进行对比。他们使用了一套包含二十三个困难数学问题的标准集合，旨在测试程序在寻找景观最低点方面的能力。这些问题涵盖了从简单的平滑丘陵到具有许多假底部的复杂、崎岖地形。团队针对每个问题运行了五十次测试，以确保结果具有一致性，而非仅仅是运气使然。研究结果表明，马兰戈尼效应算法非常有效。在涉及简单景观的测试中，它始终比其他方法更快地找到更好的解。在其他算法经常陷入困境的复杂多峰景观中，该新方法展示了超越其他算法的逃离局部陷阱并找到多个特定案例中真实全局最优解的能力。

该算法可靠性最显著的证据来自于它在特定固定维度问题集上的表现。在五个复杂的挑战（识别为 F16、F18、F21、F22 和 F23）中，该算法在五十次运行中的每一次都找到了完全相同的最佳解，显示出零偏差的结果。这种一致性水平表明，该方法并非在盲目猜测，而是遵循着一条稳健的路径通往答案。虽然研究人员承认没有哪种算法能完美解决所有可能的问题，但他们的结果表明，这种受物理启发的工具是解决困难优化任务的有力竞争者。该研究总结道，通过借鉴流体如何移动和聚集的自然逻辑，他们创造了一种既易于使用又极其精确的搜索工具，为应对现代工程中的复杂设计挑战提供了一种新途径。