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

Riepilogo Tecnico: Ottimizzazione Avanzata della Ricerca dell'Oro per Sciami di UAV Eterogenei

Definizione del Problema
Il documento affronta la complessa sfida della pianificazione collaborativa multi-obiettivo per sciami di Unmanned Aerial Vehicles (UAV) eterogenei. Questo problema comporta l'ottimizzazione strettamente accoppiata dell'allocazione dei compiti e della pianificazione delle traiettorie per flotte composte da diversi tipi di UAV (ad esempio, ala fissa, ala rotante e ala ibrida). L'obiettivo è ottimizzare simultaneamente tre obiettivi contrastanti sotto rigorosi vincoli operativi:

1. Minimizzare il tempo di completamento della missione (makespan).
2. Minimizzare il consumo energetico totale.
3. Massimizzare l'equilibrio del carico di lavoro (minimizzando la deviazione standard dei tempi di completamento dei singoli UAV).

Il problema è vincolato dall'unicità dei compiti, dalla fattibilità energetica, dalle finestre temporali e dalla fattibilità dinamica (limiti cinematici come il raggio di curvatura e gli angoli di salita). Gli autori sostengono che le meta-euristiche esistenti soffrono spesso di un disaccoppiamento strutturale tra pianificazione dei compiti e delle traiettorie, di design algoritmici statici privi di adattabilità ai cambiamenti in tempo reale e di una scarsa uniformità della frontiera di Pareto (lacune o raggruppamenti). Inoltre, l'algoritmo originale Gold Mining Optimization (GMO), pur essendo efficace nell'esplorazione globale, manca di sufficiente diversità della popolazione, controllo adattivo della dimensione del passo e meccanismi dedicati alla gestione multi-obiettivo, portando a una convergenza prematura e a una scarsa approssimazione della frontiera di Pareto in questo specifico dominio.

Metodologia: IGMO-DP
Per superare tali limitazioni, gli autori propongono l'Improved Gold Mining Optimization with Dual-layer Information Sharing and Dynamic Pareto Dominance (IGMO-DP). La metodologia integra tre miglioramenti fondamentali nel framework standard del GMO:

1. Meccanismo di Condivisione delle Informazioni a Doppio Livello:

   • Potenziamento del Vicinato Locale: Utilizza una struttura di vicinato topologico in cui gli individui scambiano informazioni con i loro $K_{neigh}$ vicini più prossimi. Una strategia di fusione a media ponderata assegna pesi maggiori ai vicini con ranghi non dominati migliori, preservando la diversità locale e prevenendo la convergenza prematura.
   • Guida dell'Élite Globale: Dirige la popolazione verso la frontiera ottima di Pareto utilizzando un archivio esterno di soluzioni élite.
   • Fusione Adattiva: Un coefficiente variabile nel tempo $\alpha(t)$ bilancia dinamicamente l'influenza dei vettori locali e globali, dando priorità all'esplorazione globale nelle prime iterazioni e al raffinamento locale nelle fasi successive.

2. Meccanismo di Aggiornamento della Posizione Dinamico:

   • Dimensione del Passo Adattiva: La dimensione del passo $\eta_i(t)$ viene regolata in base al miglioramento del fitness dell'individuo e al numero di iterazioni. Ciò consente passi ampi durante l'esplorazione globale e passi piccoli e precisi durante lo sfruttamento locale.
   • Regolazione Direzionale: Viene introdotto un fattore basato sul gradiente per regolare la direzione di ricerca in base al terreno locale della funzione obiettivo, bilanciando la guida informativa con la discesa del gradiente.

3. Dominanza di Pareto Dinamica e Manutenzione dell'Archivio:

   • Soglia di Dominanza Dinamica: Una soglia $\tau(t)$ diminuisce nel corso delle iterazioni. Nelle fasi iniziali, ammorbidisce i criteri di dominanza per trattenere soluzioni diverse e leggermente inferiori; nelle fasi successive, li stringe alla dominanza di Pareto standard per accelerare la convergenza.
   • Archivio Élite: Mantiene un insieme di soluzioni non dominate, utilizzando la distanza di crowding per potare l'archivio quando la capacità viene superata, garantendo una copertura uniforme della frontiera di Pareto.

L'algoritmo codifica le soluzioni come matrici di allocazione dei compiti e sequenze di esecuzione, utilizzando modelli di percorso Dubins per garantire la fattibilità cinematica durante la valutazione del fitness. Il processo decisionale finale tra l'insieme di Pareto viene eseguito tramite il metodo TOPSIS.

Contributi Chiave

• Innovazione Algoritmica: Lo sviluppo di IGMO-DP, che adatta specificamente l'algoritmo Gold Mining Optimization per la pianificazione di UAV eterogenei multi-obiettivo attraverso la condivisione delle informazioni a doppio livello e meccanismi di controllo dinamico.
• Formulazione del Problema: Un modello matematico rigoroso che ottimizza congiuntamente tempo, energia e bilanciamento del carico, imponendo rigorosi vincoli cinematici e temporali tramite percorsi Dubins.
• Analisi dei Meccanismi: L'introduzione di una strategia di dominanza di Pareto dinamica che si autoregola in termini di pressione selettiva senza necessità di calibrazione manuale dei parametri, bilanciando efficacemente velocità di convergenza e diversità delle soluzioni.

Risultati Sperimentali
L'algoritmo IGMO-DP è stato valutato rispetto a quattro baseline (GMO originale, NSGA-II, MOPSO e HMOEA) attraverso tre scenari di crescente complessità (S1: 5 UAV/10 compiti; S2: 10 UAV/20 compiti; S3: 20 UAV/40 compiti).

• Convergenza e Qualità: IGMO-DP ha superato costantemente tutte le baseline. Nello scenario più complesso (S3), ha ottenuto un miglioramento della Inverted Generational Distance (IGD) del 12,7%–18,3% e un miglioramento dell'Hypervolume (HV) dell'8,2%–14,6% rispetto al secondo miglior algoritmo (HMOEA).
• Uniformità: L'algoritmo ha prodotto frontiere di Pareto con una spaziatura (SP) significativamente migliore, mostrando un miglioramento del 15,1%–22,4% nella uniformità della distribuzione delle soluzioni.
• Stabilità: IGMO-DP ha dimostrato una stabilità superiore in 30 esecuzioni indipendenti, con deviazioni standard inferiori e meno outlier rispetto agli altri algoritmi.
• Studi di Ablazione: Gli esperimenti hanno confermato che la rimozione di qualsiasi componente (condivisione locale, condivisione globale, dimensione del passo adattiva o dominanza dinamica) comportava un degrado misurabile delle prestazioni, validando la necessità di ogni modulo. Ad esempio, la rimozione della condivisione locale ha degradato la metrica SP del 21,3%.
• Efficienza Computazionale: Sebbene l'IGMO-DP comporti un modesto aumento del tempo di esecuzione (circa il 15% in più rispetto a NSGA-II in S2), gli autori osservano che questo è accettabile per applicazioni di pianificazione offline dove la qualità della soluzione è fondamentale.

Significatività e Rivendicazioni
Il documento afferma che l'IGMO-DP fornisce una soluzione robusta e scalabile per la pianificazione multi-obiettivo di sciami di UAV eterogenei. La sua principale importanza risiede nella capacità di:

1. Ottimizzare simultaneamente obiettivi contrastanti (tempo, energia, carico) rispettando al contempo complessi vincoli fisici.
2. Mantenere un'alta diversità nell'insieme delle soluzioni, offrendo ai decisori una vasta gamma di opzioni di compromesso ben distribuite (ad esempio, dare priorità alla velocità rispetto all'energia in scenari di risposta ai disastri).
3. Operare autonomamente senza la necessità di calibrazione manuale dei parametri per bilanciare convergenza e diversità, grazie alla sua dominanza dinamica e ai suoi meccanismi adattivi.

Gli autori concludono che l'algoritmo è applicabile alle applicazioni ingegneristiche, citando un caso di studio specifico in cui ha ridotto il tempo di completamento dei compiti del 23% e il consumo energetico del 18% rispetto ai metodi greedy tradizionali in uno scenario di risposta ai disastri. Il lavoro futuro suggerito si concentra sulla pianificazione online tramite apprendimento per rinforzo, architetture distribuite e test hardware-in-the-loop.