Indian Wedding System Optimization (IWSO): A Novel Socially Inspired Metaheuristic with Operational Design and Analysis

Resumo Técnico: Otimização do Sistema de Casamento Indiano (IWSO)

Declaração do Problema
Algoritmos de otimização metaheurística são essenciais para resolver problemas complexos, não lineares e de alta dimensão em engenharia e inteligência computacional. No entanto, abordagens clássicas como Algoritmos Genéticos (AG), Otimização por Enxame de Partículas (OEP) e Evolução Diferencial (ED) frequentemente enfrentam desafios persistentes, incluindo convergência prematura, perda de diversidade populacional e adaptabilidade limitada a ambientes dinâmicos. Essas limitações muitas vezes derivam de parâmetros de busca fixos e dinâmicas populacionais rígidas, que restringem o desempenho em tarefas de otimização em grande escala ou variantes no tempo. O artigo aborda a necessidade de um framework adaptativo, inspirado socialmente, capaz de manter a diversidade e equilibrar a exploração com a exploração de forma mais eficaz do que as analogias existentes baseadas na natureza ou na física.

Metodologia
Os autores propõem a Otimização do Sistema de Casamento Indiano (IWSO), uma nova metaheurística baseada em população inspirada nas dinâmicas socioculturais dos casamentos tradicionais indianos. O algoritmo modela o processo de matchmaking — caracterizado pela colaboração entre famílias, candidatos e casamenteiros — como um framework de busca guiada e seletiva.

O design operacional do IWSO segue um ciclo iterativo de sete etapas:

1. Inicialização: Uma população de soluções candidatas é gerada aleatoriamente dentro de limites definidos, análoga a famílias considerando múltipros potenciais parceiros.
2. Avaliação de Aptidão: Os candidatos são avaliados usando uma função de aptidão multiobjetivo ponderada que agrega múltiplos critérios (por exemplo, compatibilidade, estabilidade financeira), espelhando a tomada de decisão multifatorial no matchmaking.
3. Identificação do Melhor Candidato: A solução ótima (o "melhor casamento") é identificada para servir como referência.
4. Influência Guiada pelo Casamenteiro: Um fator adaptativo de casamenteiro ($M$) controla a atualização das posições dos candidatos. Esse fator diminui ao longo das iterações, deslocando o algoritmo de uma exploração estocástica ampla para uma exploração local intensificada. Soluções de elite guiam candidatos mais fracos em direção a regiões promissoras sem a necessidade de parâmetros de controle externos.
5. Eliminação e Reinicialização Adaptativas: Para prevenir estagnação, candidatos que são muito semelhantes ao melhor casamento, mas não ótimos, são eliminados. Eles são substituídos por novos candidatos gerados através de uma combinação da solução globalmente melhor, a média da população e perturbações estocásticas controladas. Esse mecanismo mantém a diversidade e previne a convergência prematura.
6. Seleção: A melhor solução é atualizada com base em comparações de aptidão.
7. Terminação: O processo se repete até que o número máximo de iterações seja atingido ou um critério de convergência seja satisfeito.

A análise teórica estabelece que o IWSO exibe complexidade de tempo linear de $O(T_{max}n(D + K))$ e complexidade de espaço de $O(nD)$, onde $n$ é o tamanho da população, $D$ é a dimensionalidade e $K$ é o número de objetivos. A análise de convergência prova que o algoritmo converge quase certamente para o mínimo global sob condições específicas relacionadas às perturbações estocásticas e à seleção elitista.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

• Framework Inovador Orientado por Metáfora: A introdução do IWSO, que mapeia componentes socioculturais dos casamentos indianos (casamenteiros, pretendentes, rituais de eliminação) para operações algorítmicas de busca, seleção e adaptação.
• Influência Guiada pelo Casamenteiro: Uma estratégia onde soluções de elite direcionam a evolução de candidatos mais fracos, aprimorando a convergência e a exploração do espaço de busca sem dependência de parâmetros de controle externos.
• Eliminação e Reinicialização Adaptativas: Um mecanismo que substitui dinamicamente indivíduos com baixo desempenho para manter a diversidade populacional e prevenir a estagnação, abordando um modo de falha comum em metaheurísticas clássicas.
• Avaliação Abrangente: Uma análise teórica e empírica rigorosa demonstrando a eficiência computacional, escalabilidade e superioridade do IWSO sobre algoritmos de inteligência de enxame de última geração (SoTA).

Resultados Experimentais
O desempenho do IWSO foi avaliado em 23 funções de teste de referência (abrangendo categorias unimodais, multimodais, separáveis e não separáveis) e comparado contra dez algoritmos estabelecidos: AG, ABC, OEP, ACO, ED, WOA, HS, SA, BHO e CS.

• Convergência e Estabilidade: O IWSO demonstrou velocidade de convergência superior e qualidade de solução em paisagens de alta dimensão e multimodais. Em comparações estatísticas sobre 30 execuções independentes, o IWSO alcançou desvios padrão menores em 18 de 23 funções, indicando maior estabilidade e confiabilidade.
• Eficiência: O algoritmo consistentemente superou os concorrentes em termos de tempo de execução (RT), frequentemente exigindo significativamente menos tempo computacional para alcançar soluções ótimas ou quase ótimas.
• Análise de Sensibilidade: O estudo analisou o impacto dos parâmetros de controle, especificamente o Fator de Casamenteiro ($M$) e o número de iterações ($T_{max}$). Os resultados indicaram que o IWSO é robusto em configurações variadas de parâmetros, com os mecanismos adaptativos equilibrando efetivamente a exploração e a exploração independentemente da complexidade do problema.
• Desempenho Comparativo: Em gráficos de superfície 3D analisando valores de aptidão contra tamanho da população e contagens de iteração, o IWSO consistentemente guiou a busca em direção a erros de previsão menores em comparação com AG e ED, confirmando sua adaptabilidade e precisão.

Significado e Alegações
O artigo alega que o IWSO representa um avanço significativo ao conectar a coordenação inspirada no ser humano com a inteligência computacional. Diferente de algoritmos convencionais inspirados na natureza que dependem exclusivamente de analogias físicas ou biológicas, o IWSO introduz um paradigma de otimização fundamentado socialmente. Os autores afirmam que, ao incorporar hierarquia social, aprendizado cooperativo e feedback adaptativo em seu design central, o IWSO alcança diversidade populacional sustentada e convergência robusta mesmo em espaços de busca complexos, restritos e de alta dimensão.

O trabalho posiciona o IWSO como uma alternativa robusta às metaheurísticas convencionais, particularmente para cenários que exigem convergência rápida, resiliência à estagnação e adaptabilidade em ambientes dinâmicos. Os autores sugerem que a capacidade do algoritmo de lidar com problemas multiobjetivo e de alta dimensão o torna adequado para tarefas de otimização em grande escala do mundo real, embora observem que pesquisas futuras focarão em extensões híbridas e aplicações em configurações distribuídas e variantes no tempo, como orquestração de recursos em nuvem e agendamento industrial.