Um algoritmo contínuo de colônia artificial de abelhas para resolver problemas de localização de instalações sem capacidade

Maneiras mais inteligentes de posicionar armazéns

Qualquer empresa que envia mercadorias enfrenta uma pergunta básica, porém cara: onde devemos colocar nossos armazéns ou centros de serviço para atender os clientes de forma econômica e confiável? Este artigo aborda esse problema usando um algoritmo inspirado na maneira como as abelhas melíferas procuram alimento, e mostra como uma versão refinada desse método inspirado em abelhas pode planejar essas localizações com mais precisão e consistência do que muitas técnicas concorrentes.

O desafio de escolher localizações

O problema matemático por trás da escolha de localizações de armazéns é chamado problema de localização de instalações sem capacidade (uncapacitated facility location problem). Imagine uma lista de lugares potenciais onde você poderia abrir armazéns, cada um com um custo fixo de abertura, e um mapa de clientes, cada um dos quais deve ser atendido por exatamente um local aberto, a um certo custo de entrega. O objetivo é decidir quais locais abrir e quais clientes cada local deve atender, de modo que o total dos custos de abertura e entrega seja o menor possível. Mesmo para computadores, o número de combinações possíveis cresce de forma explosiva à medida que a rede aumenta, o que significa que precisamos de estratégias de busca inteligentes em vez de força bruta.

Aprendendo com a maneira como as abelhas forrageiam

O algoritmo de colônia artificial de abelhas (ABC) empresta como as abelhas reais exploram o ambiente. No algoritmo, cada “abelha” representa uma possível solução. Abelhas empregadas exploram ao redor de sua solução atual, abelhas observadoras (onlooker) focam nas promissoras, e abelhas exploradoras (scout) abandonam escolhas ruins e saltam para novas regiões. O ABC foi originalmente concebido para ajustar valores numéricos contínuos, como girar um botão para cima ou para baixo. No entanto, decisões de localização de armazéns são essencialmente escolhas sim-ou-não: abrir este local ou não; designar este cliente aqui ou em outro lugar. O ABC clássico, portanto, tem dificuldade a menos que seja envolvido por mecanismos extras para traduzir entre números contínuos e decisões binárias.

Transformando busca suave em decisões nítidas

Os autores propõem uma variante que chamam de ABC contínuo, ou cABC, que mantém a busca suave do método original, mas faz com que ele lide naturalmente com escolhas liga/desliga. Ele permite que o algoritmo vagueie em um espaço contínuo entre 0 e 1, tratando cada valor como a probabilidade de que uma instalação esteja aberta. Uma regra simples converte esses valores em decisões nítidas de aberto ou fechado. Para evitar começar a partir de um conjunto pobre ou estreito de palpites, o cABC usa um padrão “caótico” para dispersar suas soluções iniciais amplamente pelo espaço de busca. Quando uma solução candidata implica que nenhuma instalação foi aberta, ou quebra outras restrições, um processo dinâmico de reparo ajusta automaticamente várias de suas escolhas para que ela se torne viável sem se afastar demais de regiões promissoras.

Enxames guiados e ajustes adaptativos

Além dessa configuração básica, o cABC acrescenta vários refinamentos para ajudar as abelhas virtuais a cooperarem de forma mais eficaz. Em vez de ajustar sempre a posição de uma abelha apenas com base nela mesma e em um parceiro aleatório, o algoritmo às vezes permite que outras soluções escolhidas aleatoriamente guiem a mudança, usando ocasionalmente soluções muito boas e por vezes piores para manter ao mesmo tempo foco e diversidade. Um esquema de variação temporal perturba gradualmente mais partes de uma solução à medida que a busca avança, permitindo um compartilhamento mais profundo de informação entre as abelhas. Durante a etapa em que as abelhas observadoras escolhem quais soluções refinar, uma regra de probabilidade modificada garante que mesmo candidatos medianos recebam alguma atenção, reduzindo o risco de o enxame colapsar rápido demais em torno de uma única opção. Finalmente, quando a posição de uma abelha falha por muito tempo, o cABC não a descarta; em vez disso, cria uma versão “oposta” dessa solução, que frequentemente cai mais próxima de territórios melhores enquanto ainda reutiliza o conhecimento já adquirido.

Colocando o enxame de abelhas à prova

Para avaliar se essas ideias compensam, os autores executaram o cABC em duas grandes coleções de problemas-padrão extraídos da literatura de pesquisa operacional, cobrindo redes de tamanho de moderado a muito grande. Eles compararam seus resultados com os do ABC original e com onze outros algoritmos avançados baseados em metáforas diferentes, incluindo vagalumes, corvos, gafanhotos e sementes de árvore. Ao longo desses testes, o cABC não apenas igualou ou melhorou os melhores custos conhecidos na maioria dos casos, como também o fez com muito mais confiabilidade, frequentemente alcançando a melhor solução em quase todas as execuções independentes. Sua vantagem foi especialmente clara nos exemplos maiores e mais exigentes, onde outros métodos frequentemente ficavam presos em arranjos mais caros.

O que isso significa para o planejamento no mundo real

Em termos simples, este trabalho entrega um planejador “inspirado em abelhas” mais confiável para decidir onde colocar armazéns, fábricas ou centros de serviço. Ao permitir que o algoritmo pense em probabilidades suaves e depois as converta de forma limpa em decisões sim-ou-não — enquanto repara palpites ruins e mantém diversidade — o cABC explora a paisagem de opções de forma ampla e profunda. O resultado é uma ferramenta que pode encontrar layouts mais baratos e fazê-lo de maneira consistente, tornando-se um forte candidato para empresas e planejadores que precisam projetar redes de distribuição custo-efetivas em um mundo de logística complexa e em grande escala.

Citação: An, M., Xiang, W., Jiang, Y. et al. A continuous artificial bee colony algorithm for solving uncapacitated facility location problems. Sci Rep 16, 8780 (2026). https://doi.org/10.1038/s41598-026-37792-5

Palavras-chave: localização de instalações, inteligência de enxame, metaheurística de otimização, planejamento logístico, colônia artificial de abelhas