Algoritmo multobjetivo de otimização inspirado em estrelas-do-mar para projeto de engenharia e problemas de fluxo ótimo de potência

Compromissos mais inteligentes para decisões complexas de engenharia

Tecnologias do dia a dia — desde redes de energia até caixas de engrenagem — precisam conciliar objetivos conflitantes: manter custos baixos, reduzir a poluição e garantir segurança e confiabilidade. Este artigo apresenta um novo algoritmo, inspirado na simples estrela-do-mar, que ajuda engenheiros a navegar esses trade-offs com mais eficiência. Ao imitar como as estrelas-do-mar exploram o entorno, caçam e regeneram membros perdidos, o método encontra simultaneamente muitas soluções de compromisso de alta qualidade, oferecendo aos tomadores de decisão um cardápio mais amplo de opções em vez de uma única resposta “ótima”.

Por que equilibrar vários objetivos é tão difícil

Problemas reais de engenharia raramente têm um único objetivo. Por exemplo, operar um sistema elétrico envolve minimizar custos de combustível, ao mesmo tempo em que reduz emissões, perdas em linhas de transmissão e instabilidades de tensão. Melhorar um alvo frequentemente piora outro. Em vez de um único ótimo, costuma haver uma fronteira curva de escolhas igualmente razoáveis, conhecida como fronteira de Pareto, em que aproximar-se de um objetivo significa afastar-se de outro. Encontrar um conjunto de soluções que fique próximo dessa fronteira e que se espalhe de forma uniforme ao longo dela é computacionalmente exigente, especialmente à medida que os sistemas crescem em tamanho e complexidade.

Do comportamento da estrela-do-mar à estratégia de busca

Os autores se baseiam em um método anterior de objetivo único chamado Algoritmo de Otimização da Estrela-do-Mar, que modela três comportamentos naturais: exploração, enquanto o animal varre o entorno com múltiplos braços; predação, quando se dirige ao alimento; e regeneração, quando um braço é perdido e lentamente regenera. Na versão algorítmica, cada “estrela-do-mar” representa um projeto candidato ou um ponto de operação. Durante a exploração, apenas algumas coordenadas de cada estrela se movem por vez, o que ajuda a vasculhar grandes espaços com eficiência. Durante a exploração intensiva (exploitation), as estrelas-do-mar se movem em duas direções em torno das melhores soluções atuais, refinando projetos promissores. Uma etapa de regeneração ocasionalmente encolhe uma solução e a empurra em uma nova direção, restaurando diversidade e ajudando a escapar de becos sem saída locais.

Transformando um objetivo único em muitos

Para atualizar essa ideia para problemas multiobjetivo, os autores propõem o Algoritmo Multobjetivo de Otimização da Estrela-do-Mar (MOSFOA). O MOSFOA incorpora os movimentos das estrelas-do-mar dentro de uma camada de ranqueamento e seleção emprestada de métodos evolutivos de ponta. A cada geração, todas as soluções candidatas são ordenadas em “frentes” de acordo com se alguma solução domina claramente outra em todos os objetivos. A melhor frente contém aquelas que não são vencidas simultaneamente em todos os objetivos. Dentro de cada frente, uma medida de distância de aglomeração favorece pontos bem separados de seus vizinhos, evitando que o algoritmo se concentre apenas em uma região da curva de trade-off. Em conjunto, esses mecanismos garantem que os movimentos das estrelas-do-mar empurrem a população tanto em direção à fronteira de Pareto quanto ao longo dela, preservando uma ampla variedade de opções.

Colocando o método à prova

O MOSFOA é testado em uma ampla suíte de benchmarks matemáticos padrão projetados para estressar diferentes aspectos da busca multiobjetivo, incluindo fronteiras convexas, côncavas, fragmentadas ou repletas de armadilhas locais. Os autores comparam seu algoritmo com dez concorrentes bem conhecidos e avaliam o desempenho usando indicadores aceitos que capturam o quão próximas as soluções estão da verdadeira fronteira de Pareto e quão amplamente a cobrem. Na maioria dos testes, o MOSFOA alcança menores distâncias até a curva ideal de trade-off e maior volume coberto no espaço dos objetivos, sinalizando tanto melhor precisão quanto maior diversidade. Uma medida matemática baseada em condições clássicas de otimalidade confirma ainda que suas soluções se situam muito próximas dos melhores compromissos teoricamente possíveis.

Impacto no mundo real: redes elétricas e projeto mecânico

Além das funções de teste, o algoritmo é aplicado a tarefas de engenharia exigentes. Um conjunto de ensaios envolve uma rede elétrica padrão de 30 barras, onde o MOSFOA ajuda operadores a minimizar conjuntamente custos de combustível, emissões, perdas de potência e desvios de tensão sob restrições realistas sobre geradores, transformadores e segurança da rede. Outra aplicação trata de um redutor de velocidade — um componente de caixa de engrenagens — em que o algoritmo busca projetos que minimizem tanto o volume de material quanto as tensões mecânicas. Em ambos os cenários, o MOSFOA encontra de forma consistente trade-offs de alta qualidade que respeitam todos os limites de segurança, e o faz de maneira mais confiável ao longo de execuções repetidas do que técnicas concorrentes.

O que isso significa para não especialistas

Na prática, este trabalho oferece a engenheiros e planejadores uma forma mais confiável de ver a paisagem completa de “bons compromissos” em vez de um único ponto recomendado. Ao combinar uma metáfora biológica simples com cuidadosos controles matemáticos de ranqueamento e diversidade, o MOSFOA produz conjuntos de soluções que são ao mesmo tempo quase ótimos e bem distribuídos, facilitando a escolha conforme prioridades locais — seja eletricidade mais barata, ar mais limpo ou máquinas com vida útil mais longa. Os resultados do estudo, inclusive em sistemas de energia reais e problemas de projeto industrial, sugerem que essa abordagem inspirada em estrelas-do-mar é uma adição promissora à caixa de ferramentas para tomada de decisões complexas.

Citação: Jameel, M., Merah, H., El-latif, A.M.A. et al. Multiobjective starfish optimization algorithm for engineering design and optimal power flow problems. Sci Rep 16, 3302 (2026). https://doi.org/10.1038/s41598-026-35329-4

Palavras-chave: otimização multiobjetivo, metaheurísticas, planejamento de sistemas de energia, projeto de engenharia, fronteira de Pareto