Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

Resumen Técnico: Optimización de Motores de Combustión Interna (ICEO)

Planteamiento del Problema
La optimización en espacios de búsqueda de alta dimensionalidad, no lineales y multimodales sigue siendo un desafío fundamental en la ingeniería y la informática. Aunque las metaheurísticas han demostrado ser efectivas para problemas NP-duros, muchos algoritmos existentes sufren de convergencia prematura y una incapacidad para mantener un equilibrio óptimo entre la exploración (diversificación) y la explotación (intensificación). Los enfoques adaptativos actuales suelen depender de estrategias de mutación o perturbación aleatorias que no incorporan explícitamente la dinámica histórica o el estado actual del proceso de búsqueda, lo que conduce al estancamiento en óptimos locales.

Metodología
El artículo propone la Optimización de Motores de Combustión Interna (ICEO), una metaheurística inspirada en la física y estructurada en torno al ciclo de funcionamiento de cuatro tiempos de un motor de combustión interna. A diferencia de los algoritmos puramente metafóricos, el ICEO está diseñado como un sistema estructurado y adaptativo donde cuatro fases coordinadas interactúan sinérgicamente:

1. Admisión (Exploración): Corresponde a la generación e integración de nuevas soluciones diversas. El algoritmo extrae "aire" (soluciones candidatas) de la atmósfera (población) y "combustible" (vectores de perturbación aleatoria). La proporción de aire fresco frente a los "gases quemados" reciclados (soluciones descartadas previamente) se regula dinámicamente.
2. Compresión (Explotación Temprana): El espacio de búsqueda se contrae progresivamente alrededor de la mejor solución actual ($X_{best}$). Las partículas de aire se combinan con vectores de combustible para generar nuevas configuraciones candidatas, enfocando la búsqueda en regiones prometedoras.
3. Combustión (Explotación Intensiva y Escape): Modelado como un proceso probabilístico donde solo un subconjunto de soluciones experimenta la "ignición". Esta fase implica un refinamiento intensivo de las mejores soluciones. Para evitar el atrapamiento en mínimos locales, el algoritmo aplica ocasionalmente perturbaciones basadas en el vuelo de Lévy a las soluciones seleccionadas.
4. Escape (Selección y Actualización): Los gases quemados (soluciones recién generadas) son evaluados. La población es clasificada y las mejores soluciones se retienen para el siguiente ciclo, mientras que los candidatos inferiores son expulsados.

Mecanismo de Control Adaptativo (ECU)
Una innovación central de ICEO es la Unidad de Control del Motor (ECU), un mecanismo adaptativo que gobierna el ciclo iterativo. La ECU monitorea la velocidad de convergencia y el estancamiento utilizando una ventana deslizante ($\omega$) de valores de aptitud (fitness) recientes.

• Calcula la tasa de mejora promedio ($\Delta f$) y ajusta un parámetro de aceleración ($a_x$).
• Basándose en $a_x$, la ECU determina dinámicamente la relación aire-combustible ($\rho_{air}$ y $\rho_{fuel}$), controlando efectivamente el equilibrio entre la inyección de nueva diversidad (exploración) y el refinamiento de las soluciones existentes (explotación).
• Esta adaptación impulsada por retroalimentación permite que el algoritmo reaccione a la dinámica de optimización en tiempo real, en lugar de depender de cronogramas fijos.

Contribuciones Clave

• Ciclo de Cuatro Fases Estructurado: ICEO separa explícitamente las operaciones de búsqueda en etapas distintas y coordinadas (admisión, compresión, combustión, escape), diferenciándose de los algoritmos que integran estas funciones dentro de reglas de actualización únicas.
• Regulación Adaptativa: La introducción del mecanismo ECU permite el ajuste de parámetros dependientes del rendimiento, sintonizando específicamente la intensidad del proceso de "combustión" y la tasa de inyección de soluciones basándose en el estancamiento observado.
• Mecanismo de Mezcla Aire-Combustible: El algoritmo descompone explícitamente los recursos de búsqueda en inyección de diversidad externa (combustible) y continuidad basada en la población (aire), regulando la relación de forma adaptativa para equilibrar la exploración y la explotación.

Resultados Experimentales
El rendimiento de ICEO fue evaluado frente a diez metaheurísticas de vanguardia (incluyendo L-SHADE, CMA-ES, GWO, PSO y GA) a través de tres etapas experimentales:

1. Funciones de Referencia Estándar (D=100): Probado en 18 funciones (unimodales y multimodales). ICEO logró el menor puntaje de rango global (27 puntos), asegurando 15 primeros lugares. Demostró una precisión de convergencia superior tanto en funciones unimodales (ej. Dixon-Price) como multimodales (ej. Rastrigin, Ackley) en comparación con sus competidores.
2. Serie de Referencia CEC 2022 (D=20): Evaluado en 12 funciones complejas (unimodales, multimodales, híbridas y de composición). ICEO logró el mejor rango promedio (2.750) en la prueba de Friedman.
   • Significancia Estadística: La prueba post-hoc de Nemenyi indicó que la superioridad de ICEO es estadísticamente significativa solo contra los algoritmos de menor rendimiento (WarSO, EHO, CMA-ES). Las diferencias contra competidores de alto nivel como L-SHADE y SADE no fueron estadísticamente significativas bajo la prueba de Nemenyi, aunque la prueba de rango con signo de Wilcoxon mostró que ICEO ganó significativamente más comparaciones por pares (94 victorias frente a 18 derrotas en total).
3. Problemas de Ingeniería del Mundo Real: ICEO se aplicó a los problemas de diseño de Reductor de Velocidad, Armadura de Tres Barras y Recipiente a Presión. En todos los casos, demostró un rendimiento competitivo, convergencia rápida y baja dispersión de soluciones en comparación con los cinco mejores algoritmos de las pruebas de referencia.
4. Estudio de Ablación: Eliminar la fase de compresión (V1) causó la degradación de rendimiento más significativa, resaltando su papel crítico. Las variantes sin la ECU (V3) funcionaron peor que el ICEO completo, confirmando el valor del mecanismo adaptativo.

Significancia y Limitaciones
El artículo afirma que ICEO ofrece un marco robusto para equilibrar la exploración y la explotación a través de su ciclo inspirado en la física y su control adaptativo en tiempo real. El mecanismo ECU distingue al algoritmo de los métodos estándar guiados por líderes al adaptar el esfuerzo de búsqueda basado en el rendimiento en lugar del tiempo.

Sin embargo, los autores reconocen limitaciones específicas:

• Matiz Estadístico: Aunque ICEO suele ocupar el primer lugar, la prueba de Nemenyi sugiere que su superioridad no está estadísticamente confirmada contra todos los competidores de alto nivel (ej. L-SHADE), lo que indica un solapamiento sustancial en el rendimiento entre los métodos avanzados.
• Costo Computacional: El paso de ordenación requerido para las actualizaciones de la población incurre en un costo computacional no despreciable, lo que podría limitar su aplicabilidad en escenarios con restricciones de tiempo.
• Sensibilidad de Hiperparámetros: Aunque la ECU reduce la sensibilidad, el algoritmo aún requiere la calibración de parámetros como $r_{min}$ y $r_{max}$, y el rendimiento puede degradarse si estos se establecen fuera de los rangos recomendados.
• Alcance: La implementación actual es un optimizador de un solo objetivo sin garantías teóricas formales de convergencia. Los autores sugieren que trabajos futuros aborden problemas de alta dimensionalidad ($D > 500$), optimización multiobjetivo y espacios de búsqueda discretos.