Large-scale benchmarking of multi-objective soft-computing metaheuristics for redundancy allocation in repairable k-out-of-n systems

Resumo Técnico: Avaliação de Desempenho em Larga Escala de Meta-heurísticas de Computação Suave Multiobjetivo para Alocação de Redundância em Sistemas $k$-de-$n$ Reparáveis

Formulação do Problema
Este estudo aborda o Problema de Alocação de Redundância (RAP) bi-objetivo para sistemas $k$-de-$n$:G reparáveis. O objetivo é minimizar simultaneamente o custo total do sistema e maximizar a disponibilidade do sistema em estado estacionário, sujeito a uma restrição de peso. O problema envolve variáveis de decisão discretas ao nível do subsistema, especificamente determinando o número de componentes redundantes e selecionando uma estratégia de redundância. Quatro estratégias distintas são modeladas: reserva fria (cold standby), reserva morna (warm standby), reserva quente (hot standby) e uma estratégia mista de ativo–reserva morna. Assume-se que o sistema consiste em subsistemas heterogêneos com componentes homogêneos dentro de cada subsistema. Os estados dos componentes (ativo, reserva, falhado) e as transições (falha, reparo, comutação) são governados por taxas exponenciais invariantes no tempo, permitindo a avaliação da disponibilidade baseada em Cadeias de Markov de Tempo Contínuo (CTMC). O problema é formulado como uma tarefa de otimização multiobjetivo de números inteiros mistos e restrita, onde a disponibilidade do subsistema é calculada como a probabilidade cumulativa de estados que satisfazem o requisito $k$-de-$n$.

Metodologia
A pesquisa emprega um framework de avaliação de desempenho em larga escala e consciente do orçamento, envolvendo 65 algoritmos meta-heurísticos extraídos da plataforma PlatEMO. Esses algoritmos abrangem dez famílias distintas, incluindo abordagens evolutivas, baseadas em enxames (swarm-based), baseadas em decomposição, baseadas em indicadores e de multitarefa (multitasking). O design experimental inclui:

• Estudos de Caso: Seis estudos de caso numéricos (CS1–CS6) representando complexidade estrutural e dimensional crescente, variando de sistemas série/paralelo/ponte de 5 unidades a sistemas complexos de 15 unidades.
• Restrições: Cada estudo de caso é avaliado sob quatro limites de peso distintos para avaliar o desempenho sob variadas restrições de recursos.
• Inicialização: Os algoritmos são testados sob dois regimes de inicialização: Inicialização Aleatória (RI) padrão e Inicialização Binomial Escalada (SBI). A SBI é aplicada a soluções codificadas em binário para introduzir diversificação estruturada.
• Avaliação: Os algoritmos são executados com um orçamento computacional máximo de $2 \times 10^6$ avaliações de função. O desempenho é avaliado usando o indicador de Hipervolume (HV), perfis de convergência através de diferentes estágios de orçamento e comparações estatísticas não paramétricas (posto de Friedman, teste de postos sinalizados de Wilcoxon com correção de Holm-Bonferroni).
• Modelagem: Modelos customizados de CTMC foram desenvolvidos em MATLAB para avaliar a disponibilidade para todas as quatro estratégias de redundância, distinguindo entre estados operacionais, de reserva e falhados.

Principais Resultados

• Dominância da Estratégia de Redundância: A análise das soluções Pareto-ótimas revela que as estratégias de reserva fria e reserva morna estão virtualmente ausentes das frentes de Pareto agregadas. Em vez disso, as soluções são dominadas pela reserva quente (favorecida sob restrições de peso rigorosas) e pela estratégia mista de ativo–reserva morna (favorecida conforme as restrições de peso relaxam). Isso sugere que, sob a parametrização específica de CTMC e os compromissos de custo/peso, a capacidade de substituição imediata da reserva quente e o perfil equilibrado de falha/ativação da estratégia mista oferecem melhores compromissos custo-disponibilidade.
• Desempenho Dependente do Orçamento: As classificações dos algoritmos são fortemente dependentes do orçamento computacional disponível. Nenhum algoritmo único domina em todos os regimes.
  • Orçamentos Pequenos: NNIA-SBI e CMOPSO-SBI demonstram desempenho competitivo.
  • Orçamentos Médios a Grandes: NSGA-II+ARSBX-SBI exibe desempenho robusto em uma ampla gama de orçamentos ($6 \times 10^3$ a $2 \times 10^6$).
  • Desempenhos Especializados: Métodos baseados em Evolução Diferencial (ex: CMODE-FTR-SBI) e algoritmos de multitarefa mostram força em janelas de orçamento específicas, enquanto muitos métodos baseados em indicadores e de decomposição apenas se aproximam do desempenho de topo em orçamentos muito grandes.
• Impacto da Inicialização: A Inicialização Binomial Escalada (SBI) proporciona uma vantagem inicial substancial, frequentemente gerando conjuntos de soluções dentro de 10% do melhor Hipervolume encontrado imediatamente. A SBI altera significativamente as classificações dos algoritmos; métodos que performam bem sem SBI (ex: GDE3, C3M) não mantêm necessariamente esse status com SBI, e vice-versa.
• Efeitos da Complexidade: À medida que a dimensionalidade do sistema aumenta (de 5 para 15 subsistemas), a dificuldade de encontrar frentes de Pareto de alta qualidade aumenta marcadamente. Sistemas de pequena escala convergem para soluções próximas do ótimo em torno de $10^4$ avaliações, ao passo que sistemas de grande escala requerem pelo menos $10^5$ avaliações para alcançar convergência comparável.

Significância e Contribuições
O artigo afirma fornecer o primeiro benchmark de larga escala e reproduzível para meta-heurísticas de computação suave multiobjetivo de números inteiros mistos e restritas aplicadas a RAPs reparáveis com avaliação de disponibilidade baseada em CTMC. Suas principais contribuições incluem:

1. Benchmarking Abrangente: Ir além de comparações estreitas de poucos algoritmos estabelecidos (como o NSGA-II) para uma avaliação ampla de 65 algoritmos de diversas famílias.
2. Análise Consciente do Orçamento: Destacar que a superioridade do algoritmo não é absoluta, mas contingente ao orçamento computacional, desafiando a prática de classificar algoritmos apenas pelos resultados do orçamento final.
3. Sensibilidade à Inicialização: Demonstrar que esquemas de inicialização como o SBI não são meros detalhes de implementação, mas fatores críticos que podem mudar fundamentalmente o cenário de desempenho relativo das meta-heurísticas.
4. Insights de Design Prático: Oferecer evidências de que, para os sistemas reparáveis modelados, as estratégias de reserva mista e quente são geralmente superiores às de reserva fria ou morna, fornecendo orientação para projetistas de sistemas.
5. Relevância para o Mundo Real: Posicionar o conjunto de testes proposto como um benchmark viável e inspirado no mundo real para futuras pesquisas em otimização multiobjetivo, preenchendo a lacuna entre funções de teste teóricas (como DTLZ) e problemas de engenharia prática.

Os autores concluem que, embora o estudo identifique desempenhos robustos (notadamente o NSGA-II+ARSBX-SBI), a seleção de um otimizador para alocação de redundância deve considerar cuidadosamente o orçamento computacional específico, o método de inicialização escolhido e a complexidade da estrutura do sistema.