💻 computer science

Bombardier Beetle Optimizer: A Novel Bio-Inspired Algorithm for Global Optimization

Este artículo propone el Optimizador del Escarabajo Bombardero (BBO, por sus siglas en inglés), un nuevo algoritmo bioinspirado que imita los mecanismos de defensa química y escape del escarabajo para lograr tasas de convergencia y calidad de soluciones superiores en comparación con los algoritos metaheurísticos existentes en las pruebas de referencia CEC 2017.

Autores originales: Hisham A. Shehadeh, Mohd Yamani Idna Idris, Iqbal H. Jebril

Publicado 2026-06-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hisham A. Shehadeh, Mohd Yamani Idna Idris, Iqbal H. Jebril

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Encontrar el mejor punto en un laberinto

Imagina que estás tratando de encontrar el punto absolutamente más bajo en un paisaje montañoso masivo y con niebla. Esto es lo que los científicos de la computación llaman un "problema de optimización". Quieres encontrar la solución perfecta (el fondo del valle), pero el terreno es complicado. Hay muchos pequeños hoyos (mínimos locales) que parecen ser el fondo, pero no lo son, y la niebla hace que sea difícil ver todo el mapa.

Durante años, las computadoras han utilizado diferentes "estrategias" para navegar por este laberinto. Algunas actúan como una bandada de aves (PSO), otras como una manada de lobos (GWO), y algunas incluso imitan desastres históricos como Chernóbil (CDO).

Este artículo presenta una nueva estrategia llamada Bombardier Beetle Optimizer (BBO). Es una nueva forma para que las computadoras busquen respuestas, inspirada en un insecto diminuto y resistente: el escarabajo bombardero.

La inspiración: El superpoder del escarabajo

El escarabajo bombardero es famoso por una sola cosa: su mecanismo de defensa. Cuando un depredador (como una rana o un pájaro) se acerca demasiado, el escarabajo no solo huye; contraataca.

Dentro de su vientre, el escarabajo almacena dos sustancias químicas inofensivas. Pero cuando se siente amenazado, las mezcla en una cámara especial. Esto crea una reacción química violenta y hirviente que dispara un spray caliente y tóxico por su parte trasera hacia el depredador. Es como un pequeño lanzallamas viviente.

El escarabajo también tiene un segundo truco: si el depredador está demasiado cerca, calcula la distancia y vuela lejos para ponerse a salvo.

Cómo funciona el algoritmo de la computadora

Los autores tomaron estos dos comportamientos del escarabajo y los convirtieron en reglas matemáticas para un programa de computadora. Así es como el "Bombardier Beetle Optimizer" resuelve problemas:

1. El "Spray Químico" (Exploración)
Imagina a un grupo de escarabajos (soluciones) deambulando por una habitación oscura. Si un escarabajo se acerca demasiado a un "depredador" (una mala solución o una trampa), activa su defensa.

En las matemáticas: La computadora calcula la distancia entre una solución actual y un "depredador". Si están demasiado cerca, el escarabajo "rocía" una nube tóxica.
La analogía: Piensa en este spray como una explosión caótica que empuja al escarabajo en una dirección nueva y aleatoria. Esto obliga al escarabajo a saltar fuera de un pequeño y aburrido hoyo en el suelo y aterrizar en un lugar completamente nuevo. Esto ayuda a la computadora a evitar quedarse atrapada en "falsos" puntos bajos y la mantiene explorando todo el mapa.

2. El "Vuelo de Escape" (Explotación)
Si el escarabajo está a salvo pero necesita encontrar el mejor lugar, usa sus alas.

En las matemáticas: La computadora utiliza ecuaciones de la física (específicamente las leyes del movimiento y la sustentación de Newton) para calcular cómo debe volar el escarabajo.
La analogía: Esto es como si el escarabajo se deslizara suavemente hacia el valle más profundo y prometedor que haya visto hasta el momento. Refina su posición, acercándose cada vez más a la respuesta perfecta sin saltar de forma errática.

La prueba: ¿Quién gana la carrera?

Para ver si esta nueva estrategia del escarabajo era buena, los autores la pusieron a competir contra otros seis algoritmos famosos:

Chernobyl Disaster Optimizer (CDO): Basado en la radiación nuclear.
Bermuda Triangle Optimizer (BTO): Basado en barcos que desaparecen en un triángulo misterioso.
Grey Wolf Optimizer (GWO): Basado en manadas de caza de lobos.
Particle Swarm Optimization (PSO): Basado en bandadas de aves.
Sperm Swarm Optimization (SSO): Basado en espermatozoides nadando hacia un óvulo.
Gravitational Search Algorithm (GSA): Basado en la gravedad que atrae objetos entre sí.

Probaron todos ellos en 23 rompecabezas matemáticos diferentes (conocidos como los estándares CEC 2017). Estos rompecabezas varían desde colinas simples hasta paisajes extremadamente accidentados, ruidosos y confusos.

Los resultados: El escarabajo se lleva la corona

El artículo afirma que el Bombardier Beetle Optimizer (BBO) fue el claro ganador.

Velocidad: El algoritmo del escarabajo encontró las mejores respuestas más rápido que los demás.
Precisión: Encontró el "verdadero" fondo de los valles con más frecuencia, especialmente en los rompecabezas más difíciles y confusos donde los otros algoritmos se quedaron atrapados.
Consistencia: Si ejecutabas la prueba 10 veces, el algoritmo del escarabajo daba los mejores resultados casi siempre, mientras que los otros eran más irregulares.

En la tabla de clasificación final (llamada "Mean Rank" o Rango Medio), el Escarabajo quedó en 1er lugar. El optimizador de Chernóbil quedó en 2do lugar, y el optimizador del Triángulo de las Bermudas en 3er lugar. Los demás quedaron rezagados.

La conclusión

Los autores concluyen que, al copiar la capacidad del escarabajo bombardero para alejarse disparando de un peligro (para explorar nuevas áreas) y volar con precisión hacia la seguridad (para refinar la respuesta), crearon una herramienta superior para resolver problemas matemáticos complejos.

Sugieren que, si bien esta nueva herramienta es excelente para resolver estos rompecabezas matemáticos específicos, debería probarse en problemas del mundo real en el futuro, como mejorar redes de radio o sensores inalámbricos. Sin embargo, por ahora, el artículo simplemente demuestra que la estrategia del escarabajo es la forma más eficiente de navegar el laberinto matemático entre los competidores que probaron.

Resumen Técnico: Optimizador de la Luciérnaga Bombardera (BBO)

Planteamiento del Problema

Los problemas de optimización del mundo real, como los que se encuentran en las redes de sensores inalámbricos, la ingeniería biomédica y el diseño de ingeniería general, presentan a menudo desafíos significativos debido a geometrías complejas que contienen numerosos mínimos locales. Los métodos de optimización tradicionales suelen tener dificultades para escapar de estos óptimos locales, lo que resulta en tasas de convergencia lentas o soluciones subóptimas. Aunque los algoritmos metaheurísticos existentes —categorizados en clases físicas, de enjambre, evolutivos y artificiales— ofrecen diversas ventajas, aún enfrentan limitaciones como la convergencia prematura, la exploración lenta y las dificultades para equilibrar las estrategias de exploración y explotación. Para abordar estas deficiencias, este artículo propone un nuevo algoritmo bioinspirado diseñado para mejorar el rendimiento de la optimización global.

Metodología

El propuesto Optimizador de la Luciérnaga Bombardera (BBO) es un algoritmo metaheurístico bioinspirado modelado según los mecanismos de defensa y escape de la Luciérnaga Bombardera (Carabidae). El algoritmo simula dos comportamientos biológicos primarios:

1. Mecanismo de Defensa (Exploración)

La estrategia de exploración central del BBO imita la capacidad de la luciérnaga para proyectar una pulverización química caliente y tóxica cuando se siente amenazada por un depredador.

Reacción Química: El modelo incorpora la cámara de reacción interna de la luciérnaga donde la hidroquinona y el peróxido de hidrógeno reaccionan mediante las enzimas catalasa y peroxidasa. Esta reacción exotérmica produce una pulverización que supera los 100 °C, compuesta por vapor de agua, oxígeno e irritantes p-benzoquinonas.
Simulación Geométrica: El algoritmo modela la interacción entre la luciérnaga y un depredador como dos círculos que se intersectan. La "pulverización" se activa cuando el área del depredador intersecta o se solapa con el área de la luciérnaga.
Formulación Matemática: El área de intersección ( $A$ ) se calcula utilizando una ecuación geométrica específica que involucra los radios de la luciérnaga y el depredador y la distancia entre sus centros. La nueva posición de la luciérnaga se actualiza basándose en esta área de intersección, un factor de reacción química (que incorpora valores de temperatura, oxígeno e irritantes) y una función de dispersión caótica. Este mecanismo está diseñado para dispersar la población a través del espacio de búsqueda, ayudando a evitar los óptimos locales.

2. Mecanismo de Escape (Explotación)

La segunda fase simula la capacidad de la luciérnaga para calcular la distancia de un depredador y volar lejos.

Sustentación Aerodinámica: Este comportamiento se modela utilizando las leyes del movimiento de Newton y una ecuación de sustentación empírica para el vuelo con aleteo ( $L = LC \times 0.5 \times \rho \times V^2 \times A$ ).
Actualización de Posición: El algoritmo calcula una fuerza de reacción ascendente (sustentación) para determinar una nueva posición, permitiendo que la luciérnaga se aleje de la amenaza (mínimos locales) hacia mejores soluciones. Esta fase se centra en refinar la búsqueda y explotar regiones prometedoras.

Ejecución del Algoritmo

El BBO inicializa una población de luciérnagas dentro de los límites del espacio de búsqueda del problema. En cada iteración, el algoritmo alterna entre el mecanismo de defensa (exploración) y el mecanismo de escape (explotación). La población se actualiza basándose en los valores de la función objetivo, reteniendo las mejores soluciones encontradas. El proceso continúa hasta que se alcanza el número máximo de iteraciones.

Contribuciones Clave

Algoritmo Novedoso: La introducción del Optimizador de la Luciérnaga Bombardera (BBO), un nuevo metaheurístico inspirado en los comportos específicos de defensa química y escape de la Luciérnaga Bombardera.
Mecanismo Híbrido: La integración de un modelo de pulverización basado en reacciones químicas (para la exploración) y un modelo de sustentación aerodinámica (para la explotación) para equilibrar el proceso de búsqueda.
Evaluación Exhaustiva: Un estudio comparativo riguroso contra seis algoritmos metaheurísticos establecidos: Optimizador del Desastre de Chernóbil (CDO), Optimización de Enjambre de Espermáceos (SSO), Algoritmo de Búsqueda Gravitacional (GSA), Optimización de Enjambre de Partículas (PSO), Optimizador del Triángulo de las Bermudas (BTO) y Optimizador de Lobo Gris (GWO).

Resultados Experimentales

El rendimiento del BBO fue evaluado utilizando la suite de pruebas CEC 2017, que comprende 23 funciones de referencia (incluyendo funciones unimodales, multimodales e híbridas). Los experimentos se realizaron en MATLAB R2023a con 30 ejecuciones independientes por algoritmo, cada una con 1,000 iteraciones.

Métricas de Rendimiento: Los algoritmos se compararon basándose en el Mejor Fitness (valor óptimo), la Media ( $\mu$ ), la Desviación Estándar ( $\sigma$ ) y el Rango Medio.
Resultados Cuantitativos:
- El BBO logró el rango medio total más bajo (3.9) entre todos los algoritmos probados, superando significativamente al CDO (8.65), SSO (9.51), GSA (12.06), PSO (9.9), BTO (8.9) y GWO (9.61).
- El BBO obtuvo los mejores valores de fitness para 20 de las 23 funciones de referencia (F1–F8, F10, F11, F13–F18, F21–F23).
- En términos de convergencia, el BBO demostró una velocidad y precisión superiores para alcanzar los mínimos globales, particularmente en problemas "accidentados y ruidosos" (F1–F4) y funciones con dominios estrechos.
Análisis Comparativo: Mientras que otros algoritmos mostraron fortaleza en subconjuntos específicos (por ejemplo, CDO y BTO funcionaron bien en ciertas funciones unimodales), el BBO proporcionó consistentemente resultados más estables con desviaciones estándar más bajas en la mayoría de la suite de pruebas.

Significado y Reivindicaciones

El artículo afirma que el Optimizador de la Luciérnaga Bombardera es una alternativa altamente eficiente y factible para problemas de optimización global. Los autores sostienen que la combinación única del mecanismo de defensa inspirado químicamente y el mecanismo de escape basado en la física permite al BBO equilibrar eficazmente la exploración y la explotación.

El estudio concluye que el BBO supera a los algoritmos comparados (PSO, SSO, GSA, GWO, BTO y CDO) en términos de tasa de convergencia y calidad de la solución, particularmente para espacios de búsqueda complejos, accidentados y ruidosos. Los autores sugieren que, si bien los resultados actuales son prometedores basados en los benchmarks de CEC 2017, el trabajo futuro debería validar la eficacia del algoritmo en aplicaciones del mundo real, citando específicamente las Redes de Sensores Inalámbricos (WSN) para minimizar la atenuación e interferencia, y las Redes de Radio (RN) para maximizar la propagación de la señal. El artículo mantiene un tono modesto respecto a estas aplicaciones futuras, señalando que las suites de pruebas utilizadas tienen limitaciones y que se puede requerir un mayor ajuste para escenarios específicos del mundo real.