Otimização modular Harris Hawks com evolução diferencial guiada por tendência e exploração Gaussiana para otimização global e projeto de engenharia

Busca mais inteligente para projetos melhores

De projetar pontes mais leves a ajustar redes neurais, engenheiros e cientistas enfrentam constantemente enigmas em que precisam vasculhar um enorme número de possibilidades para encontrar a melhor. A abordagem tradicional de tentativa e erro — e mesmo muitos algoritmos modernos — pode facilmente ficar “presa” em soluções medíocres, especialmente quando o espaço de projeto é vasto e acidentado. Este estudo apresenta um novo método de busca chamado DEHHO que procura explorar esses cenários difíceis de maneira mais inteligente, encontrando respostas melhores, mais rápido e com mais confiabilidade.

Por que é tão difícil encontrar a melhor opção

Muitos problemas reais podem ser pensados como paisagens: cada ponto representa um projeto diferente, e a altura indica quão bom ou ruim ele é. Essas paisagens costumam ser rugosas, com inúmeras colinas e vales. O desafio é encontrar o vale mais baixo (o melhor projeto) sem ficar preso em uma colina próxima (um projeto apenas razoável). Um algoritmo popular inspirado no comportamento de caça dos gaviões Harris, chamado HHO, tem sido usado para enfrentar tais problemas porque é simples e não exige conhecer a forma exata da paisagem. No entanto, quando o número de opções de projeto cresce muito, o HHO original tende a perder direção, agrupando-se rápido demais e circulando em torno de soluções boas, mas não ótimas.

Misturando duas ideias: vagar com cuidado e movimento guiado

Os autores propõem o DEHHO, um ajuste modular do HHO que combina duas ideias complementares. Primeiro, durante a fase inicial de “exploração”, o DEHHO adiciona ruído Gaussiano controlado — uma espécie de oscilação aleatória suave — às posições das soluções candidatas. Em vez de saltar cegamente por toda a paisagem, esse tremor incentiva a busca a examinar com cuidado regiões promissoras, mantendo ainda variedade na população. Segundo, na fase posterior de “exploração intensiva” (exploitation), o DEHHO incorpora um mecanismo de outro método bem-sucedido, a Evolução Diferencial. Aqui, cada solução candidata move-se não apenas em direção à atual melhor solução, mas também numa direção moldada pelas diferenças entre outras candidatas e pelo seu próprio histórico de movimento recente, uma espécie de momentum. Esse passo guiado por tendência suaviza a trajetória pela paisagem, reduzindo o ziguezague que desperdiça tempo e pode fazer a busca estagnar.

Testes em benchmarks matemáticos difíceis

Para verificar se essas ideias valem a pena, os pesquisadores testaram o DEHHO em duas coleções exigentes de problemas padrão conhecidas como CEC 2017 e CEC 2020. Esses benchmarks incluem paisagens suaves e rugosas, com muitos vales locais enganosos e situações em que as variáveis interagem de formas complicadas. A equipe executou o DEHHO e dez algoritmos rivais — cinco formas aprimoradas do HHO e cinco outros métodos de busca bem conhecidos — em problemas com 50 e 100 dimensões de projeto, o que significa que o espaço de busca era extremamente grande. Em boa parte das 39 funções de benchmark, o DEHHO obteve valores de erro menores e o fez de forma consistente ao longo de 30 execuções independentes, mesmo com configurações mantidas fixas em vez de ajustadas para cada caso. Testes estatísticos confirmaram que esses ganhos provavelmente não ocorrem por acaso.

Das equações para máquinas reais

Além de problemas matemáticos abstratos, o estudo avaliou como o DEHHO se comporta em tarefas clássicas de engenharia: projetar uma treliça de três barras, uma viga soldada e um mecanismo redutor de velocidade. Cada projeto deve obedecer a restrições rígidas de segurança e desempenho enquanto minimiza peso ou custo. O DEHHO usou um truque de penalidade e barreira para favorecer projetos que permanecessem dentro dos limites permitidos, ao mesmo tempo que os levava para as fronteiras onde os melhores trade-offs frequentemente aparecem. Em todos os três casos, ele igualou ou melhorou ligeiramente as melhores soluções conhecidas respeitando as restrições, e fez isso de modo mais confiável do que os algoritmos concorrentes. Isso sugere que o método não é apenas uma curiosidade teórica, mas uma ferramenta prática para projetos de engenharia difíceis.

O que isso significa para não especialistas

Em termos cotidianos, o DEHHO é como combinar um explorador cauteloso que examina o terreno próximo com um caminhante experiente que se lembra das direções que já levaram morro abaixo. O vagar cuidadoso do explorador (exploração Gaussiana) evita que o grupo se acomode rápido demais em um acampamento ruim, enquanto o senso de direção do caminhante (evolução guiada por tendência) ajuda o grupo a descer de forma eficiente até o fundo do vale. Os resultados mostram que essa combinação simples e modular pode vasculhar espaços de projeto muito grandes e difíceis com maior precisão e estabilidade do que vários métodos estabelecidos, sem aumentar muito o custo computacional. Para quem depende de computadores para encontrar formas, cronogramas ou parâmetros melhores — seja em engenharia, ciência de dados ou outras áreas — o DEHHO oferece uma maneira mais confiável de se aproximar da verdadeira melhor solução.

Citação: Kang, F., Su, X. Modular Harris Hawks optimization with trend-guided differential evolution and Gaussian exploration for global optimization and engineering design. Sci Rep 16, 6007 (2026). https://doi.org/10.1038/s41598-026-35565-8

Palavras-chave: otimização global, algoritmos metaheurísticos, Harris Hawks optimization, evolução diferencial, projeto de engenharia