Enhanced Gold Mining Optimization with Dual-Layer Information Sharing and Dynamic Control for Multi-Objective Scheduling of Heterogeneous UAV Swarms

Resumen Técnico: Optimización Mejorada de la Minería de Oro para Enjambres de UAV Heterogéneos

Planteamiento del Problema
El artículo aborda el complejo desafío de la programación colaborativa multiobjetivo para enjambres de Vehículos Aéreos No Tripulados (UAV) heterogéneos. Este problema implica la optimización estrechamente acoplada de la asignación de tareas y la planificación de trayectorias para flotas que comprenden diversos tipos de UAV (por ejemplo, ala fija, ala rotatoria e híbridos). El objetivo es optimizar simultáneamente tres metas conflictivas bajo estrictas restricciones operativas:

1. Minimizar el tiempo de finalización de la misión (makespan).
2. Minimizar el consumo total de energía.
3. Maximizar el equilibrio de la carga de trabajo (minimizando la desviación estándar de los tiempos de finalización individuales de cada UAV).

El problema está limitado por la unicidad de las tareas, la viabilidad energética, las ventanas de tiempo y la viabilidad dinámica (límites cinemáticos como el radio de giro y los ángulos de ascenso). Los autores argumentan que las metaheurísticas existentes suelen sufrir de un desacoplamiento estructural entre la planificación de tareas y de trayectorias, diseños algorítmicos estáticos que carecen de adaptabilidad ante cambios en tiempo real, y una uniformidad subóptima del frente de Pareto (brechas o agrupamientos). Además, el algoritmo original de Optimización de Minería de Oro (GMO), aunque efectivo en la exploración global, carece de suficiente diversidad de población, control de tamaño de paso adaptativo y mecanismos dedicados para el manejo multiobjetivo, lo que conduce a una convergencia prematura y a una pobre aproximación del frente de Pareto en este dominio específico.

Metodología: IGMO-DP
Para superar estas limitaciones, los autores proponen la Optimización de Minería de Oro Mejorada con Intercambio de Información de Doble Capa y Dominancia de Pareto Dinámica (IGMO-DP). La metodología integra tres mejoras principales en el marco estándar de GMO:

1. Mecanismo de Intercambio de Información de Doble Capa:

   • Mejora del Vecindario Local: Utiliza una estructura de vecindad topológica donde los individuos intercambian información con sus $K_{neigh}$ vecinos más cercanos. Una estrategia de fusión de promedio ponderado asigna pesos más altos a los vecinos con mejores rangos no dominados, preservando la diversidad local y evitando la convergencia prematura.
   • Guía de Élite Global: Dirige la población hacia el frente óptimo de Pareto utilizando un archivo externo de soluciones de élite.
   • Fusión Adaptativa: Un coeficiente variable en el tiempo $\alpha(t)$ equilibra dinámicamente la influencia de los vectores locales y globales, priorizando la exploración global en las primeras iteraciones y el refinamiento local en las etapas posteriores.

2. Mecanismo de Actualización de Posición Dinámica:

   • Tamaño de Paso Adaptativo: El tamaño del paso $\eta_i(t)$ se ajusta según la mejora de la aptitud (fitness) del individuo y el recuento de iteraciones. Esto permite pasos grandes durante la exploración global y pasos más pequeños y precisos durante la explotación local.
   • Ajuste Direccional: Se introduce un factor basado en gradiente para ajustar la dirección de búsqueda basándose en el terreno local de la función objetivo, equilibrando la guía de información con el descenso de gradiente.

3. Dominancia de Pareto Dinámica y Mantenimiento de Archivo:

   • Umbral de Dominancia Dinámico: Un umbral $\tau(t)$ que disminuye a lo largo de las iteraciones. En las etapas iniciales, relaja los criterios de dominancia para retener soluciones diversas y ligeramente inferiores; en las etapas finales, los endurece hacia la dominancia de Pareto estándar para acelerar la convergencia.
   • Archivo de Élite: Mantiene un conjunto de soluciones no dominadas, utilizando la distancia de apiñamiento (crowding distance) para podar el archivo cuando se excede su capacidad, asegurando una cobertura uniforme del frente de Pareto.

El algoritmo codifica las soluciones como matrices de asignación de tareas y secuencias de ejecución, utilizando modelos de trayectoria de Dubins para asegurar la viabilidad cinemática durante la evaluación de la aptitud. La toma de decisiones final entre el conjunto de Pareto se realiza mediante el método TOPSIS.

Contribuciones Clave

• Innovación Algorítmica: El desarrollo de IGMO-DP, que adapta específicamente el algoritmo de Optimización de Minería de Oro para la programación de UAV heterogéneos multiobjetivo mediante el intercambio de información de doble capa y mecanismos de control dinámico.
• Formulación del Problema: Un modelo matemático rigurooso que optimiza conjuntamente el tiempo, la energía y el equilibrio de carga mientras impone estrictas restricciones cinemáticas y temporales mediante trayectorias de Dubins.
• Análisis de Mecanismos: La introducción de una estrategia de dominancia de Pareto dinámica que autoajusta la presión de selección sin necesidad de ajuste manual de parámetros, equilibrando eficazmente la velocidad de convergencia y la diversidad de soluciones.

Resultados Experimentales
El algoritmo IGMO-DP fue evaluado frente a cuatro líneas base (el GMO original, NSGA-II, MOPSO y HMOEA) a través de tres escenarios de complejidad creciente (S1: 5 UAVs/10 tareas; S2: 10 UAVs/20 tareas; S3: 20 UAVs/40 tareas).

• Convergencia y Calidad: El IGMO-DP superó consistentemente a todas las líneas base. En el escenario más complejo (S3), logró una mejora de la Distancia Generacional Invertida (IGD) del 12.7% al 18.3% y una mejora del Volumen de Hiperespacio (HV) del 8.2% al 14.6% en comparación con el segundo mejor algoritmo (HMOEA).
• Uniformidad: El algoritmo produjo frentes de Pareto con un espaciamiento (SP) significativamente mejor, mostrando una mejora del 15.1% al 22.4% en la uniformidad de la distribución de soluciones.
• Estabilidad: El IGMO-DP demostró una estabilidad superior a través de 30 ejecuciones independientes, con desviaciones estándar más bajas y menos valores atípicos en comparación con otros algoritmos.
• Estudios de Ablación: Los experimentos confirmaron que eliminar cualquier componente individual (intercambio local, intercambio global, tamaño de paso adaptativo o dominancia dinámica) resultaba en una degradación medible del rendimiento. Por ejemplo, eliminar el intercambio local degradó la métrica SP en un 21.3%.
• Eficiencia Computacional: Aunque el IGMO-DP incurre en un aumento modesto del tiempo de ejecución (aproximadamente un 15% superior a NSGA-II en S2), los autores señalan que esto es aceptable para aplicaciones de programación fuera de línea donde la calidad de la solución es primordial.

Significancia y Reivindicaciones
El artículo afirma que el IGMO-DP proporciona una solución robusta y escalable para la programación multiobjetivo de enjambres de UAV heterogéneos. Su principal significancia radica en su capacidad para:

1. Optimizar simultáneamente objetivos conflictivos (tiempo, energía, carga) respetando complejas restricciones físicas.
2. Mantener una alta diversidad en el conjunto de soluciones, ofreciendo a los tomadores de decisiones una amplia gama de opciones de compromiso bien distribuidas (por ejemplo, priorizar la velocidad frente a la energía en escenarios de respuesta ante desastres).
3. Operar de forma autónoma sin la necesidad de calibración manual de parámetros para equilibrar la convergencia y la diversidad, gracias a su dominancia dinámica y mecanismos adaptativos.

Los autores concluyen que el algoritmo es factible para aplicaciones de ingeniería, citando un caso de estudio específico donde redujo el tiempo de finalización de tareas en un 23% y el consumo de energía en un 18% en comparación con los métodos voraces (greedy) tradicionales en un escenario de respuesta ante desastres. Se sugiere que el trabajo futuro se centre en la programación en línea mediante aprendizaje por refuerzo, arquitecturas distribuidas y pruebas de hardware en el bucle (hardware-in-the-loop).