💻 computer science

GeoSSA: Geometric Sparrow Search Algorithm for UAV Path Planning and Engineering Design Optimization

Este artigo propõe o Algoritmo de Busca do Pardal Geométrico (GeoSSA), que aprimora o SSA original por meio de inicialização geométrica e estratégias de atualização melhoradas para alcançar desempenho de otimização global, estabilidade e robustez superiores em testes de benchmark, planejamento de trajetória de UAV e problemas de design de engenharia.

Autores originais: Junhao Wei, Wenxuan Zhu, Qingyang Xu, Yanxiao Li, Yifu Zhao, Zikun Li, Ran Zhang, Yanzhao Gu, Jinhong Song, Yapeng Wang, Zhiwen Wang, Ngai Cheong, Sio-Kei Im, Xu Yang

Publicado 2026-01-28

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Junhao Wei, Wenxuan Zhu, Qingyang Xu, Yanxiao Li, Yifu Zhao, Zikun Li, Ran Zhang, Yanzhao Gu, Jinhong Song, Yapeng Wang, Zhiwen Wang, Ngai Cheong, Sio-Kei Im, Xu Yang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando encontrar a rota absoluta ideal para um drone de entrega voar por uma cidade movimentada, ou que esteja tentando projetar uma peça de máquina que seja forte, mas que utilize a menor quantidade possível de material. Estes são "problemas de otimização". Você tem milhões de respostas possíveis, mas apenas uma é a solução "Goldilocks" perfeita — nem muito longa, nem muito curta, apenas na medida certa.

Durante décadas, cientistas têm usado "algoritmos metaheurísticos" para resolver esses enigmas. Pense nesses algoritmos como uma equipe de exploradores enviados para uma floresta escura e com neblina para encontrar o pico mais alto (a melhor solução).

A Equipe Original: Os Pardais

Uma equipe de exploradores popular é chamada de Algoritmo de Busca de Pardal (SSA - Sparrow Search Algorithm). Ela imita um bando de pardais procurando comida.

Produtores: Alguns pássaros corajosos que lideram o caminho, procurando comida em áreas amplas.
Saqueadores: O resto do bando que segue os líderes, esperando encontrar comida perto deles.
Pardais de Borda: Pássaros na parte externa do bando que vigiam predadores (perigos) e se movem para a segurança.

O Problema: A equipe original tem uma falha. Às vezes, os pássaros ficam confortáveis demais em um determinado lugar, achando que encontraram a melhor comida, apenas para perceberem mais tarde que ficaram presos em um pequeno vale enquanto existia um enorme pico de montanha logo ao lado deles. Eles ficam "presos" cedo demais (convergência prematura) e perdem a resposta realmente melhor.

A Nova Equipe: GeoSSA (Os Pardais Geométricos)

Os autores deste artigo, uma equipe da Universidade Politécnica de Macau e outros, decidiram atualizar o bando. Eles criaram o GeoSSA (Geometric Sparrow Search Algorithm). Eles não apenas ajustaram as regras; eles deram aos pássaros três superpoderes para torná-los exploradores mais inteligentes.

1. Um Início de "Mapa Perfeito" (Conjunto de Bons Nós)

O Jeito Antigo: Quando o bando original começava, eles eram colocados aleatoriamente, como se jogassem dardos de olhos vendados em um mapa. Isso frequentemente significava que muitos pássaros pousavam no mesmo lugar (aglomeração), enquanto enormes áreas do mapa ficavam vazias.
A Atualização GeoSSA: Em vez de lançamentos aleatórios, eles usaram um "Conjunto de Bons Nós". Imagine estender uma grade de azulejos de forma tão perfeita que cada polegada do mapa seja coberta uniformemente, sem lacunas e sem aglomerações.

Por que ajuda: Os pássaros começam com uma visão perfeita de toda a floresta, garantindo que não percam nenhum "potencial fonte de alimento" logo desde o início.

2. O Salto "Seno-Cosseno" (Atualização de Produtor Aperfeiçoada)

O Jeito Antigo: Os pássaro líderes (Produtores) moviam-se usando passos simples e previsíveis. Se estivessem perto de um bom lugar, apenas davam passos pequenos à frente. Se estivessem longe, podiam dar um salto, mas o salto não era muito inteligente.
A Atualização GeoSSA: Os líderes agora usam uma mistura de funções Seno e Cosseno (ondas matemáticas) para decidir como se mover.

A Analogia: Imagine que o pássaro líder não apenas caminha em linha reta. Em vez disso, ele dança em um padrão de onda. Às vezes, a onda diz para ele dar um salto gigante e amplo para uma parte totalmente nova da floresta (exploração). Outras vezes, a onda diz para ele dar passos minúsculos e cuidadosos para polir um bom lugar (explotação).
Por que ajuda: Isso evita que os pássaros fiquem presos em um vale local. Eles podem fazer saltos grandes e estratégicos para encontrar o verdadeiro pico mais alto.

3. A Rede de Segurança de "Caminhada Triangular" (Atualização de Borda Aperfeiçoada)

O Jeito Antigo: Os pássaros na borda do bando (que são os mais vulneráveis) moviam-se em linhas retas simples para escapar do perigo. Isso era muito rígido.
A Atualização GeoSSA: Esses pássaros agora usam uma "Caminhada Triangular".

A Analogia: Em vez de correr em linha reta para longe de um predador, imagine um pássaro correndo em um formato de triângulo. Ele avança, depois angula bruscamente para a esquerda, depois angula para a direita. Isso cria um caminho em zigue-zague que é muito mais difícil de prever e permite que o pássaro explore a área imediata de forma mais minuciosa antes de se estabelecer.
Por que ajuda: Isso adiciona uma camada de aleatoriedade e flexibilidade, ajudando o bando a escapar de armadilhas complicadas (ótimos locais) que teriam capturado os pássaros originais.

Colocando à Prova

Os pesquisadores submeteram este novo "Super Bando" a três grandes testes:

A Academia de Matemática (Funções de Benchmark): Eles testaram o algoritmo em 23 diferentes enigmas matemáticos complexos.
- Resultado: O GeoSSA venceu quase todas as vezes. Ele encontrou as melhores respostas de forma mais rápida e consistente do que os pardais originais e outras equipes de exploradores famosas (como Otimizadores de Lobos ou algoritios de Colônia de Formigas). Ele teve uma "Taxa de Vitória" de 95,65%.
A Corrida de Drones (Planejamento de Trajetória de UAV): Eles pediram aos algoritmos para planejar uma trajetória de voo 3D para um drone voar do Ponto A ao Ponto B enquanto desvia de obstáculos.
- Resultado: O GeoSSA desenhou o caminho mais suave, curto e seguro. Outros algoritmos às vezes colidiam com paredes ou seguiam rotas longas e sinuosas. O caminho do GeoSSA foi estável e confiável.
O Workshop de Engenharia: Eles usaram o algoritmo para resolver quatro problemas de design de engenharia do mundo real:
- Projetar uma Chapa Corrugada (uma parede forte para tanques químicos).
- Projetar uma Alavanca de Pistão (uma peça para bombas).
- Projetar uma Rede de Reatores (para plantas químicas).
- Projetar um Sistema de Refrigeração Industrial.
- Resultado: Em todos os quatro casos, o GeoSSA encontrou os designs mais eficientes (usando menos material ou energia) e o fez com a maior consistência. Ele não apenas teve sorte uma vez; ele obteve o melhor resultado todas as vezes que executou o teste.

A Conclusão

O artigo afirma que, ao dar ao Algoritmo de Busca de Pardal um melhor mapa inicial, regras de movimento mais inteligentes para seus líderes e uma estratégia de fuga mais flexível para seus membros de borda, eles criaram uma ferramenta que é significativamente melhor para resolver enigmas complexos.

Seja guiando um drone por uma cidade ou projetando uma peça de máquina, o GeoSSA é apresentado como uma maneira mais confiável, rápida e inteligente de encontrar a solução "perfeita" entre milhões de possibilidades. Ele não apenas adivinha; ele explora toda a floresta sistematicamente e sabe exatamente quando dar um salto gigante e quando dar um passo cuidadoso.

Resumo Técnico: Algoritmo de Busca de Pardal Geométrico (GeoSSA) para Planejamento de Trajetória de UAV e Otimização de Design de Engenharia

Definição do Problema
O Algoritmo de Busca de Pardal (SSA), um metaheurístico baseado em população inspirado nos comportamentos de busca de alimento e de antecipação de predação dos pardais, é conhecido por sua estrutura simples e facilidade de implementação. No entanto, o SSA original sofre de um equilíbrio insuficiente entre exploração (busca global) e explotação (busca local). Esse desequilíbrio frequentemente leva à convergência prematura, progresso lento na otimização e uma tendência de ficar preso em ótimos locais, particularmente ao abordar problemas de otimização multidimensionais, complexos e multimodais. Essas limitações dificultam sua eficácia em aplicações do mundo real críticas, como o planejamento de trajetória de Veículos Aéreos Não Tripulados (UAV) 3D e a otimização de design de engenharia complexa, onde são necessárias capacidades robustas de busca global e alta estabilidade de solução.

Metodologia
Para enfrentar essas deficiências, os autores propõem o Algoritmo de Busca de Pardal Geométrico (GeoSSA). Este algoritmo aprimorado integra três estratégias específicas para melhorar o desempenho do SSA original:

Inicialização do Conjunto de Bons Nós: Substituindo a tradicional inicialização por números pseudoaleatórios, o GeoSSA utiliza o método do "Conjunto de Bons Nós" (baseado na teoria dos números de Hua Luogeng). Esta abordagem gera uma população com uma distribuição espacial mais uniforme através do espaço de busca, prevenindo efetivamente o agrupamento da população e garantindo uma cobertura mais ampla durante a fase inicial de exploração. Este método é notado por manter a uniformidade mesmo em espaços de alta dimensão.
Atualização de Posição de Produtor Melhorada por Seno-Cosseno: O mecanismo de atualização para os "produtores" (os indivíduos com melhor aptidão/fitness) é modificado para incorporar funções de seno e cosseno. Uma lógica de decisão baseada no valor de alarme ( $R_2$ ) determina se as funções seno ou cosseno serão usadas para controlar a atualização de posição. Adicionalmente, um peso de inércia adaptativo baseado em uma função sigmoide é introduzido. Esta estratégia aumenta a diversidade da busca global, permitindo que os produtores realizem saltos mais amplos no espaço de solução para escapar de ótimos locais, mantendo ao mesmo tempo um equilíbrio entre exploração e explotação.
Atualização de Posição de Pardal de Borda Melhorada por Caminhada Triangular: Para os "pardais de borda" (indivíduos com pior aptidão), o algoritmo introduz um mecanismo de Caminhada Triangular. Isso envolve um fator de ajuste dinâmico e um mecanismo de perturbação aleatória baseado em funções trigonométricas. Esta estratégia aumenta a aleatoriedade do processo de atualização de posição, quebrando a limitação de perturbações de direção única e aumentando a capacidade do algoritmo de escapar de ótimos locais, enquanto melhora a precisão da busca local em estágios posteriores.

Principais Contribuições

Inovação Algorítmica: O desenvolvimento do GeoSSA, que combina sinergicamente a inicialização geométrica, a dinâmica seno-cosseno e as perturbações de caminhada triangular para abordar as fraquezas específicas do SSA original.
Validação Abrangente: O artigo realiza uma avaliação rigorosa do GeoSSA através de:
- Estudos de Ablação: Demonstrando a contribuição individual de cada estratégia proposta.
- Análise Qualitativa: Analisando o histórico de busca, razões de exploração-explotação e diversidade da população em 23 funções de teste padrão (benchmarks).
- Experimentos Comparativos: Realizando o benchmarking do GeoSSA contra algoritmos de última geração (AROA, WOA, IWOA, MWOA, IPSO, ISSA) e o SSA original.
Aplicação Prática: A aplicação bem-sucedida do GeoSSA em dois domínios distintos do mundo real:
- Planejamento de Trajetória de UAV 3D: Otimizando trajetórias de voo para minimizar o comprimento e a variação de altura, enquanto evita obstáculos e satisfaz restrições dinâmicas.
- Otimização de Design de Engenharia: Resolvendo quatro problemas restritos complexos: Design de Bulkhead Corrugado, Design de Alavanca de Pistão, Design de Rede de Reator e Design de Sistema de Refrigeração Industrial.

Resultos
Os resultados experimentais indicam que o GeoSSA alcança um desempenho superior em comparação aos algoritmos comparados:

Funções de Benchmark: Nas 23 funções de benchmark, o GeoSSA alcançou a melhor ou quase melhor aptidão média e desvio padrão. Garantiu o primeiro lugar nos testes de Friedman com um ranking médio de 1.9514 e uma Eficácia Geral (OE) de 95,65%. Testes de postos sinalizados de Wilcoxon confirmaram melhorias estatisticamente significativas sobre a maioria dos competidores.
Planejamento de Trajetória de UAV: Em tarefas de planejamento de trajetória 3D, o GeoSSA demonstrou a maior estabilidade (menor desvio padrão de 0.95654) e produziu trajetórias mais curtas e suaves com evasão de obstáculos eficaz, superando algoritmos como o IWOA, que sofre de instabilidade extrema.
Design de Engenharia: Em todos os quatro problemas de design de engenharia, o GeoSSA consistentemente obteve a maior precisão de solução (menor aptidão média) e a maior estabilidade (menor desvio padrão), frequentemente atingindo valores ótimos teóricos ou próximos do ótimo, onde outros algoritmos tiveram dificuldades com convergência ou satisfação de restrições.

Significância e Alegações
O artigo afirma que o GeoSSA fornece um framework de solução eficiente e confiável para problemas de otimização complexos. Ao equilibrar efetivamente a exploração global e a explotação local, o GeoSSA supera os problemas de convergência prematura e estagnação inerentes ao SSA original. Os autores afirmam que o algoritmo exibe forte robustez e capacidade de generalização, tornando-o adequado não apenas para testes de benchmark padrão, mas também para aplicações práticas de engenharia caracterizadas por alta dimensionalidade, não linearidade e restrições complexas. O estudo conclui que o GeoSSA representa um avanço significativo na otimização metaheurística, oferecendo uma ferramenta versátil para lidar com tarefas desafiadoras em navegação de UAV e design de engenharia.