Baseado no operador de evolução binária aprimorado com algoritmo do milhafre-negro com substituição natural para problemas de otimização numérica em engenharia

Maneiras mais inteligentes de tomar decisões difíceis

De projetar carros mais seguros a planejar parques eólicos eficientes, engenheiros enfrentam constantemente problemas com milhões de respostas possíveis. Verificar cada opção é impossível, então eles dependem de atalhos inteligentes — algoritmos de computador que buscam soluções muito boas sem examinar tudo. Este artigo apresenta um desses atalhos, inspirado no comportamento de caça e migração de uma ave de rapina chamada milhafre-de-asa-preta, e mostra como uma versão refinada dessa ideia pode resolver muitos problemas de projeto do mundo real de forma mais rápida e confiável do que métodos existentes.

Aprendendo com uma ave de caça

Algoritmos “metaheurísticos” modernos costumam emprestar ideias da natureza: como formigas encontram alimento, como lobos caçam ou como galáxias se movem. O algoritmo original do Milhafre-de-asa-preta (BKA) pertence a essa família. Ele imagina muitas aves virtuais voando sobre uma paisagem matemática, onde a altura representa a qualidade de um projeto. Durante uma fase de “ataque” as aves exploram amplamente, e durante a “migração” elas se concentram em áreas promissoras. O BKA tem sido usado em tarefas práticas, como ajuste de baterias e apoio à exploração de recursos. Mas, como muitos métodos semelhantes, ele ainda pode ficar preso em soluções apenas satisfatórias, perder alternativas melhores ou demorar para convergir quando os problemas são muito complexos.

Adicionando caos controlado e mistura mais inteligente

Os autores propõem uma versão aprimorada chamada SMNBKA‑ICMIC. A primeira melhoria diz respeito a como a busca se inicia. Em vez de posicionar as aves virtuais aleatoriamente, o método usa um tipo especial de caos controlado para dispersá‑las de forma mais uniforme pela paisagem. Isso aumenta a chance de que ao menos algumas aves comecem perto de regiões valiosas. Em seguida, quando as aves “atacam”, o algoritmo toma emprestada uma ideia da biologia evolutiva: ele mistura informações de candidatos fortes e fracos de maneira cuidadosa, semelhante a como material genético se combina durante a reprodução. Essa etapa de mistura ajuda o grupo a escapar de becos sem saída e evita que a busca se torne estreita cedo demais.

Migração guiada e sobrevivência do mais apto

A migração, a segunda fase principal, também foi redesenhada. No método original, cada ave ajustava sua posição usando uma regra randômica simples que às vezes fazia o grupo se aglomerar em um morro local em vez de encontrar o pico mais alto. A versão melhorada compara o desempenho das aves e permite que elas se movam com base nas diferenças entre um “líder” forte e um parceiro escolhido aleatoriamente. Esse movimento de vai e vem ajuda o bando a explorar novas direções ao mesmo tempo em que é guiado para áreas boas. Além disso, uma etapa de “substituição natural” imita a sobrevivência do mais apto: a cada rodada, as aves com pior desempenho são removidas e substituídas por novas criadas próximas às melhores soluções atuais. Isso mantém ideias novas entrando enquanto intensifica a busca em torno de projetos promissores.

Testando o algoritmo

Para verificar se essas ideias realmente ajudam, os pesquisadores submeteram o SMNBKA‑ICMIC a uma bateria de testes. Primeiro, usaram pontos de referência matemáticos padrão projetados para ser difíceis, incluindo paisagens com muitos picos falsos e vales estreitos. Em três conjuntos de testes importantes, amplamente usados pela comunidade de otimização, o novo método geralmente encontrou respostas melhores e o fez de forma mais consistente do que tanto o BKA original quanto vários outros algoritmos de ponta. Os autores então passaram para dez problemas clássicos de projeto de engenharia, como modelar uma mola metálica, dimensionar um vaso de pressão e configurar um trem de engrenagens ou um freio de discos múltiplos. Em nove de dez casos, seu algoritmo produziu as melhores soluções conhecidas, frequentemente reduzindo o “custo” do projeto em 1,5% a 15% em comparação com concorrentes — diferenças que podem se traduzir em economias reais de material, energia ou margens de segurança.

Lidando com escolhas complexas e trade-offs

A equipe também testou o método em problemas de múltiplas mochilas (multiple‑knapsack), um desafio padrão em que um número limitado de itens deve ser empacotado em vários contêineres sem sobrecarregá‑los, ao mesmo tempo em que se maximiza o valor. Esses problemas são notoriamente difíceis porque o número de arranjos possíveis explode à medida que o problema cresce. O SMNBKA‑ICMIC não apenas alcançou as melhores soluções possíveis em várias dessas tarefas, como o fez com notável estabilidade de execução para execução. Isso sugere que o método pode lidar tanto com escolhas contínuas de projeto (como a espessura exata de uma viga) quanto com escolhas discretas (como qual componente incluir), uma combinação rara para um único algoritmo.

Por que isso importa

Em termos simples, o estudo mostra que combinar cuidadosamente ideias da teoria do caos, da evolução, do comportamento coletivo e da seleção natural resulta em uma estratégia de busca que é ao mesmo tempo aventureira e disciplinada. O SMNBKA‑ICMIC percorre a paisagem suficientemente amplo para não ser enganado por respostas iniciais e tentadoras, e ainda assim consegue se concentrar para refinar projetos de alta qualidade. Para engenheiros e cientistas que enfrentam decisões complexas com muitas restrições, isso significa que eles podem obter soluções próximas do ótimo com menos tentativas e maior confiança. Embora os autores notem que problemas de dimensão extremamente alta ou que mudam rapidamente continuam sendo desafiadores, o trabalho aproxima o projeto assistido por computador de se comportar como um solucionador de problemas experiente e adaptável, em vez de uma calculadora rígida.

Citação: Sun, H., Tang, N., Li, Z. et al. Based on binary evolution operator-enhanced black-kite algorithm with natural replacement for engineering numerical optimization problems. Sci Rep 16, 6881 (2026). https://doi.org/10.1038/s41598-026-35846-2

Palavras-chave: otimização metaheurística, projeto de engenharia, algoritmos inspirados na natureza, otimização combinatória, algoritmo do milhafre-negro