Avanços recentes no uso de bio

Scientific Reports volume 12, Artigo número: 19157 (2022) Citar este artigo

3800 acessos

9 citações

2 Altmétrico

Detalhes das métricas

A complexidade dos problemas de otimização de engenharia está aumentando. Algoritmos clássicos de otimização baseados em gradiente são um meio matemático de resolver problemas complexos cuja capacidade de fazê-lo é limitada. As metaheurísticas tornaram-se mais populares do que os métodos exatos para resolver problemas de otimização devido à sua simplicidade e à robustez dos resultados que produzem. Recentemente, foi demonstrado que algoritmos bioinspirados baseados em populações têm um desempenho favorável na resolução de uma ampla gama de problemas de otimização. O otimizador de busca de água-viva (JSO) é um desses algoritmos metaheurísticos de inspiração biológica, que se baseia no comportamento de busca de alimento por águas-vivas no oceano. De acordo com a literatura, o JSO supera muitas meta-heurísticas conhecidas em uma ampla gama de funções de benchmark e aplicações do mundo real. O JSO ​​também pode ser usado em conjunto com outras técnicas relacionadas à inteligência artificial. O sucesso do JSO na resolução de diversos problemas de otimização motiva a presente discussão abrangente das últimas descobertas relacionadas ao JSO. Este artigo analisa várias questões associadas ao JSO, como sua inspiração, variantes e aplicações, e fornecerá os mais recentes desenvolvimentos e resultados de pesquisas relacionadas ao JSO. A revisão sistemática contribui para o desenvolvimento de versões modificadas e a hibridização do JSO para melhorar o JSO original e as variantes atuais, e ajudará os pesquisadores a desenvolver algoritmos de otimização metaheurística superiores com recomendações de agentes inteligentes complementares.

A otimização é um processo usado para encontrar as melhores entradas para maximizar/minimizar as saídas a um custo computacional acessível1, 2. A complexidade dos problemas de otimização de engenharia está aumentando. Algoritmos clássicos de otimização baseados em gradiente têm uma capacidade limitada de resolver problemas complexos de otimização usando métodos matemáticos convencionais . Obviamente, alguns métodos tradicionais podem ser usados ​​para resolver problemas de otimização, mas podem não produzir resultados ideais. Além disso, os métodos tradicionais não conseguem resolver todos os problemas não lineares difíceis num tempo aceitável6, 7. As metaheurísticas tornaram-se mais populares do que os métodos exatos para resolver problemas de otimização devido à sua simplicidade e à robustez dos resultados que produzem8,9,10. Algoritmos bioinspirados baseados em populações demonstraram recentemente um bom desempenho na solução de uma ampla gama de problemas de otimização.

Algoritmos originais desenvolvidos recentemente incluem algoritmo de investigação forense (FBI)8, algoritmo de fungos viscosos (SMA)11, algoritmo de otimização de ensino em grupo (GTOA)12, otimização de grupo dinâmico (DGO)13, algoritmo de otimização de abutres africanos (AVOA) 14, o algoritmo Rao-315, o otimizador de tropas de gorila (GTO)16, otimização de agente de cheiro (SAO)17, o algoritmo de busca de pardal (SSA)18, o otimizador de ecossistema artificial (AEO)19, o otimizador de murmuração de estorninho (SMO) 20, o algoritmo de otimização do mangusto anão (DMOA)21, o algoritmo de otimização de estratégia de guerra (WSOA)22, o algoritmo de otimização de borboleta dinâmica (DBOA)23, a técnica de otimização de colibri artificial (AHOT)24 e o algoritmo de otimização de antlion (ALOA) 25.

Algoritmos recentemente aprimorados incluem o otimizador Harris hawks modificado de ordem fracionária (FMHHO)26, o algoritmo modificado de otimização de forrageamento de arraias manta (MMRFOA)27, um algoritmo aprimorado de fungos viscosos28, o algoritmo de predador marinho híbrido (HMPA)29, otimização de enxame de partículas em etapas particionadas (PSPSO)30, o algoritmo melhorado de otimização de chimpanzés (ICHOA)31, o algoritmo de busca de cuco de alto desempenho (HPCSA)32, o algoritmo abrangente de aprendizado de predadores marinhos (CLMPA)33, o algoritmo aprimorado de busca de pardais (ESSA)34, o algoritmo híbrido que é conhecido como estratégia de três aprendizagem PSO (TLS-PSO)35, o algoritmo de otimização de pastor embaralhado aprimorado (ESSOA)36, o algoritmo híbrido de enxame de salp com otimização baseada em ensino-aprendizagem (HSSATLBO)37 e um híbrido aprimorado de cruzamento otimização e o algoritmo de otimização aritmética (CSOAOA)38. Algoritmos de otimização metaheurística originais e aprimorados são usados ​​em uma ampla variedade de campos, incluindo engenharia, negócios, transporte, energia e até mesmo ciências sociais.