Resumo Técnico: Planejamento de Rotas de Navios Multi-Objetivo em Ambientes Oceânicos Complexos Utilizando um Algoritmo de Otimização de Colônia de Formigas Adaptativo e Consciente do Ambiente

1. Definição do Problema

O planejamento de rotas de navios em ambientes marinhos complexos enfrenta desafios significativos devido à natureza dinâmica e incerta do vento, das ondas e das correntes oceânicas. Métodos tradicionais de planejamento de trajetória, como Dijkstra, A* e a Otimização de Colônia de Formigas (ACO) padrão, frequentemente dependem da distância geométrica como a métrica primária. Essas abordagens frequentemente negligenciam o impacto das perturbações ambientais no consumo de energia e na manobrabilidade do navio. Além disso, os algoritmos existentes frequentemente sofrem de:

• Falta de Consciência Ambiental: Incapacidade de perceber e adaptar-se dinamicamente às interações vento-onda-corrente em tempo real.
• Limitações de Objetivo Único: Dificuldade em otimizar simultaneamente objetivos conflitantes, como a minimização do comprimento da rota e a redução do consumo de energia.
• Convergência Prematura: Parâmetros fixos no ACO tradicional frequentemente levam a soluções subótimas em espaços de busca complexos, falhando em equilibrar efetivamente a exploração global e a explotação local.

2. Metodologia

Os autores propõem o algoritmo EA-MOACO (Otimização de Colônia de Formigas Adaptativa Multi-Objetivo e Consciente do Ambiente). Este framework integra a modelagem ambiental realista com uma estratégia de busca adaptativa para otimizar rotas de navios sob condições acopladas de vento-onda-corrente.

2.1 Modelagem Ambiental e de Energia

• Modelo Acoplado Vento-Onda-Corrente: O estudo utiliza dados de reanálise ERA5 do Centro Europeu de Previsões Meteorológicas a Médio Prazo (ECMWF) para construir um campo ambiental realista.
  • Vento: Derivado diretamente dos componentes u10 e v10 do ERA5.
  • Ondas: A Altura Significativa da Onda (SWH) e a direção da onda são modeladas com base em formulações empíricas.
  • Correntes: Construídas usando um modelo de aproximação de deriva de vento (velocidade da corrente superficial $\approx$ 2% da velocidade do vento local) devido à falta de dados diretos de corrente no subconjunto selecionado do ERA5.
• Representação em Grade: A área de navegação é discretizada em uma grade 2D com uma estrutura de conectividade de 8 vizinhos. Uma estratégia de transição com restrição de colisão é empregada para evitar colisões de canto sem expandir artificialmente os obstáculos.
• Modelo de Consumo de Energia do Navio: Um modelo abrangente calcula a resistência total ($R$) como a soma da resistência de fricção hidrostática ($R_f$), resistência do vento ($R_{wind}$) e resistência induzida pelas ondas ($R_{wave}$).
  • Correção de Velocidade: A velocidade efetiva do navio ($V_{eff}$) é ajustada com base no ângulo entre o rumo do navio e as correntes oceânicas.
  • Cálculo de Energia: O consumo de energia é derivado da resistência total, velocidade efetiva e duração da viagem, levando em conta as propriedades hidrodinâmicas e aerodinâmicas específicas do navio.

2.2 O Algoritmo EA-MOACO

O núcleo do método proposto envolve três mecanismos adaptativos:

1. Avaliação de Complexidade Ambiental:

   • Um índice composto ($C$) é calculado com base na densidade de obstáculos e na distância normalizada entre o ponto de partida e o ponto de chegada.
   • Este índice categoriza o ambiente em Simples, Moderado ou Complexo, orientando as configurações iniciais dos parâmetros.

2. Controle de Parâmetros Adaptativo:

   • Inicialização: O fator de importância do feromônio ($\alpha$) e o fator de importância heurística ($\beta$) são inicializados com base na complexidade ambiental. Ambientes complexos favorecem um $\beta$ mais alto (heurística/exploração), enquanto ambientes simples favorecem um $\alpha$ mais alto (feromônio/explotação).
   • Ajuste Dinâmico: Durante as iterações, $\alpha$ e $\beta$ são atualizados dinamicamente. A estratégia muda da exploração (alto $\beta$) nos estágios iniciais para a explotação (alto $\alpha$) nos estágios finais, equilibrando a busca global e a convergência local.

3. Busca Multi-Objetivo Consciente de Energia:

   • Função Heurística Melhorada: O valor heurístico ($\eta_{ij}$) incorpora tanto a distância geométrica quanto o consumo de energia normalizado, ponderados por um fator ($\lambda$) que escala com a complexidade ambiental.
   • Ponderação Dinâmica: Um framework hierárquico ajusta os pesos do comprimento da rota e do consumo de energia com base no progresso da iteração e na complexidade ambiental. As iterações iniciais priorizam encontrar caminhos viáveis (comprimento), enquanto as iterações posteriores refinam para eficiência energética.
   • Otimização de Pareto: O algoritmo emprega a ordenação não dominada de Pareto para manter um conjunto diversificado de soluções de compromisso.
   • Tomada de Decisão por Ponto Ideal: A rota final é selecionada a partir da fronteira de Pareto minimizando a distância euclidiana até um ponto ideal (0,0) no espaço de objetivos normalizado.

3. Principais Contribuições

O artigo identifica quatro contribuições primárias:

1. Modelagem Acoplada: Estabelecimento de um modelo de ambiente oceânico acoplado vento-onda-corrente usando dados ERA5, integrado com um modelo de consumo de energia do navio que considera a correção de velocidade induzida pela corrente e a resistência ambiental.
2. Mecanismo Adaptativo: Desenvolvimento de um mecanismo de ajuste de parâmetros adaptativo impulsionado pela complexidade ambiental que regula dinamicamente os fatores de feromônio e heurística para se adequar a diferentes dificuldades de busca.
3. Framework Multi-Objetivo: Proposta de um framework de otimização multi-objetivo dinâmica que integra o comprimento da rota e o consumo de energia usando ponderação adaptativa, dominância de Pareto e tomada de decisão por ponto ideal.
4. Validação Abrangente: Validação experimental extensa incluindo estudos de ablação, análises de robustez, testes de intensidade ambiental e avaliações comparativas contra algoritmos de última geração.

4. Resultados Experimentais

O algoritmo EA-MOACO foi avaliado contra ACO, PSO, MOPSO, NSGA-II, PSO-ACO e DL-DACO usando um modelo de navio de carga de médio porte em um ambiente simulado (121°E–123°E, 29°N–31°N).

• Métricas de Desempenho: O EA-MOACO superou todos os algoritmos de comparação em termos de Hipervolume (HV), Distância de Geração Invertida (IGD), comprimento do caminho e consumo de energia.
  • Comprimento do Caminho: Nos estudos de ablação, o framework completo do EA-MOACO reduziu o comprimento médio do caminho de 36,104 para 35,340, correspondendo a uma melhoria de 2,12% em relação ao ACO de base. Nos experimentos comparativos contra o ACO padrão (Tabela 9), o EA-MOACO alcançou um comprimento de caminho de 35,524 versus 36,036 para o ACO.
  • Consumo de Energia: Nos estudos de ablação, o framework reduziu o consumo de energia médio de 9,072×10⁶ para 8,881×10⁶, correspondendo a uma redução de 2,11% em relação ao baseline. Nos experimentos comparativos contra o ACO padrão (Tabela 9), o EA-MOACO alcançou 8,876×10⁶ versus 9,037×10⁶ para o ACO.
  • Qualidade Multi-Objetivo: Nos estudos de ablação, o HV do algoritmo completo melhorou em 6,58% em comparação com o experimento de base, e o valor IGD diminuiu em 4,70% em relação ao ACO de base. Nos experimentos comparativos, o EA-MOACO alcançou o maior HV e o menor IGD entre todos os algoritmos testados, demonstrando superioridade em diversidade e convergência.
• Estudos de Ablação: A adição escalonada de módulos (modelagem ambiental, adaptação de parâmetros, planejamento multi-objetivo) demonstrou melhorias progressivas em todas as métricas, validando a necessidade de cada componente.
• Robustez: Experimentos de repetição independente (50 execuções) mostraram baixos coeficientes de variação para o comprimento do caminho (2,80%) e consumo de energia (2,72%), confirmando a estabilidade do algoritmo.
• Intensidade Ambiental: Testes sob variadas intensidades ambientais (fraca a extrema) mostraram que, embora o consumo de energia aumentasse com a severidade ambiental, o comprimento do caminho planejado permaneceu estável, demonstrando a capacidade do algoritmo de se adaptar a condições severas sem desvios excessivos.

5. Significância e Alegações

O artigo alega que o algoritmo EA-MOACO fornece um framework eficiente e prático para o planejamento inteligente de rotas de navios em ambientes marinhos complexos. Sua significância reside em:

• Integração Profunda: Integra com sucesso dados ambientais do mundo real (ERA5) diretamente na lógica de otimização, indo além do planejamento puramente geométrico.
• Adaptabilidade: A capacidade de ajustar dinamicamente as estratégias de busca com base na complexidade ambiental e no progresso da iteração, mitigando o risco de convergência prematura comum no ACO tradicional.
• Otimização Equilibrada: Resolve efetivamente o compromisso entre eficiência de navegação (caminho mais curto) e eficiência econômica (menor consumo de energia), oferecendo aos tomadores de decisão um conjunto diversificado de rotas Pareto-ótimas.
• Aplicabilidade na Engenharia: O algoritmo alcança resultados de alta qualidade sem a sobrecarga computacional do treinamento de aprendizagem profunda (ao contrário do DL-DACO), tornando-o adequado para aplicações de engenharia prática em navegação autônoma.

Os autores concluem que esta abordagem aborda as limitações críticas dos métodos atuais no tratamento de fatores ambientais acoplados e restrições multi-objetivo, oferecendo uma solução robusta para o transporte marítico verde e inteligente. Sugere-se que trabalhos futuros incluam atualizações dinâmicas em tempo real, integração de regulamentações de tráfego marítimo e a exploração de tecnologias de aprendizagem por reforço profundo e gêmeos digitais.