A Polynomial-Decay and Pinhole-Imaging Whale Optimization Algorithm for UAV Relay Communication Deployment

Resumo Técnico: Um Algoritmo de Otimização de Baleias com Decaimento Polinomial e Imagem de Orifício para Implementação de Relé de UAV

Definição do Problema
O artigo aborda a otimização conjunta da implementação de relé de Veículo Aéreo Não Tripulado (UAV), uma tarefa crítica para fornecer cobertura sem fio flexível e sob demanda em cenários como recuperação de desastres e comunicações táticas. O objetivo é determinar simultaneamente a posição 3D do UAV (coordenadas horizontais $x, y$ e altitude $h$), a potência de transmissão ($p_{tx}$) e a largura de banda ($B$). Isso constitui um problema de otimização de caixa-preta, não convexo e fortemente restrito. A implementação deve satisfazer cinco restrições de desigualdade específicas: capacidade mínima de Shannon, clareza de linha de visada em relação à altitude, um orçamento de potência-largura de banda e limites de alcance horizontal para dois nós terrestres. O objetivo é minimizar uma função de custo de serviço (considerando potência, altitude e largura de banda) enquanto se maximiza a capacidade e se adere às restrições, tipicamente tratadas via uma função de penalidade quadrática.

Metodologia: O Algoritmo PWOA
Os autores propõem o Algoritmo de Otimização de Baleia com Decaimento Polinomial e Imagem de Orifício (PWOA). Em vez de uma acumulação frouxa de variantes, o PWOA é projetado como um otimizador de acoplamento de funções, onde operadores específicos abordam distintos modos de falha do Algoritmo de Otimização de Baleia padrão. A metodologia integra três melhorias complementares:

1. Inicialização de Conjunto de Bons Nós (GNS):
   Para combater a cobertura irregular e o agrupamento causados pela inicialização aleatória — particularmente problemáticos em regiões viáveis estreitas — os autores introduzem uma inicialização GNS determinística. Este método espalha a população inicial uniformemente pelo espaço de busca com um pequeno jitter para preservar a diversidade. Isso garante propriedades de preenchimento de espaço superiores em comparação com a amostragem pseudoaleatória, proporcionando um ponto de partida mais equilibrado para o enxame.

2. Decaimento Não Linear Polinomial do Fator de Convergência ($a$):
   O WOA padrão utiliza um decaimento linear para o fator de convergência $a$, o que frequentemente força uma explotação prematura. O PWOA substitui isso por um cronograma de decaimento não linear polinomial ($a(t)$) onde o expoente $\mu > 1$. Este design prolonga a fase de exploração (mantendo valores maiores de $|A|$) durante a primeira metade das iterações e agudiza a fase de explotação (diminuindo rapidamente $a$) na segunda metade. Este escalonamento adaptativo alinha o comportamento de busca com o panorama do problema, retardando a transição para a busca local até que uma exploração global suficiente tenha ocorrido.

3. Aprendizado Baseado em Oposição por Imagem de Orifício (POBL) Gatilhado por Estagnação com Busca Local de Elite:
   Para escapar de ótimos locais sem interromper a busca desnecessariamente, o PWOA emprega um mecanismo de recuperação condicional acionado apenas quando o melhor escore global estagna (excedendo um limiar $\sigma_{max} = 15$).

   • Busca Local Gaussiana de Elite: Em cada iteração, uma busca local é realizada ao redor do líder atual ($X^*$) usando um passo Gaussiano que diminui de tamanho.
   • POBL de Imagem de Orifício: Após a estagnação, uma transformação de imagem de orifício é aplicada ao líder. O centro do espaço de busca atua como um "orifício", refletindo o líder para gerar uma solução candidata. O fator de magnificação $k(t)$ é adaptativo: é pequeno nas iterações iniciais para permitir saltos de longo alcance agressivos para escapar de mínimos locais, e grande nas iterações tardias para mapear candidatos mais próximos do centroide do espaço de busca para uma diversificação controlada. O candidato resultante é injetado no pior indivíduo da população para quebrar a estagnação.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Formulação do Problema: Um modelo rigoroso de implementação de relé de UAV de cinco dimensões incorporando cinco restrições de desigualdade e uma função de penalidade quadrática.
2. Design do Algoritmo: O desenvolvimento do PWOA, que combina unicamente inicialização GNS, decaimento não linear polinomial e um operador POBL gatilhado por estagnação com busca local Gaussiana de elite.
3. Validação Empírica: Uma avaliação abrangente contra três bases de comparação (WOA padrão, Algoritmo Seno Cosseno (SCA) e um PSO Melhorado (IPSO)) ao longo de 30 execuções independentes.

Resultos Experimentais
Os experimentos foram conduzidos com um tamanho de população ($N$) de 30 e um máximo de 500 iterações. Os resultados demonstram que o PWOA supera todas as bases de comparação em todas as métricas:

• Precisão e Confiabilidade: O PWOA alcançou simultaneamente os menores valores de Melhor (Best), Pior (Worst), Média (Mean) e Desvio Padrão (Std).
• Ganhos de Desempenho: Comparado às bases, o PWOA reduziu a Média de fitness em 1,4% (vs. SCA), 2,9% (vs. WOA) e 18,5% (vs. IPSO). Reduziu o Desvio Padrão em 15–87%, indicando maior estabilidade e confiabilidade significativa.
• Velocidade de Convergência: O PWOA exibiu a convergência média mais rápida, caindo abaixo da curva do WOA dentro das primeiras 30 iterações e mantendo o menor fitness pelo restante da execução. Em contraste, o SCA mostrou estagnação inicial, e o IPSO foi o mais lento devido aos seus operadores que empurravam o enxame muito longe da região viável precocemente.

Significância e Alegações
O artigo afirma que o PWOA representa um avanço significativo na inteligência de enxame para a implementação de UAVs ao abordar as limitações específicas de meta-heurísticas padrão em ambientes não convexos e restritos. Os autores enfatizam que o sucesso do algoritmo advém de sua cadeia "cobertura–transição–recuperação": o GNS garante a cobertura inicial, o decaimento polinomial gerencia a transição exploração-explotação e o POBL gatilhado por estagnação fornece um mecanismo de recuperação direcionado para líderes presos.

A significância do trabalho reside na sua aplicabilidade a cenários de implementação de relé de "única etapa ou dados limitados", onde a função objetivo é diretamente avaliável, mas difícil de convexificar ou diferenciar, tornando abordagens baseadas em modelos ou aprendizado menos adequadas. O artigo conclui que o PWOA é um otimizador de acoplamento de funções robusto que equilibra efetivamente a busca global e o refinamento local, ofereando uma alternativa superior às variantes existentes de WOA e outros algoritmos de enxame para tarefas complexas de implementação de UAV. O trabalho futuro é notado para estender esta abordagem para implementação cooperativa de múltiplos UAVs e cenários de malha fechada com estimativa de canal online.