Resumo Técnico: Otimização de Seleção por Histórico Acumulado de Replicadores (Otimização de Rede Micelial)

1. Definição do Problema

Algoritmos de otimização baseados em população (ex: Otimização por Enxame de Partículas, Evolução Diferencial) tipicamente empregam um mecanismo de seleção "sem memória". Nestes sistemas, a sobrevivência de um candidato para a próxima geração é determinada apenas pelo seu fitness instantâneo no tempo $t$. Este design descarta todos os dados históricos de desempenho, tratando um agente que ocupou consistentemente o decil superior da população por cinquenta iterações de forma idêntica a um agente recém-gerado com um fitness atual marginalmente superior.

O artigo argumenta que esta cegueira temporal abdica de um sinal crítico: a persistência da qualidade ao longo do tempo. Enquanto o fitness instantâneo é suficiente para paisagens suaves e separáveis, ele falha em capturar a informação geométrica inerente a paisagens estruturadas e não separáveis, onde o desempenho passado indica viabilidade de longo prazo. Os autores postulam que sistemas de seleção biológica exploram essa persistência, e que as metaheurísticas atuais carecem de um mecanismo formalmente fundamentado para fazê-lo.

2. Metodologia: Otimização de Rede Micelial (MNO)

O artigo introduz a estrutura de Seleção de Replicador de Histórico Acumulado (AHRS), implementada como o algoritmo de Otimização de Rede Micelial (MNO). Inspirado em micélios fúngicos que acumulam recursos citoplasmáticos ao longo do tempo e os compartilham via anastomose, o MNO substitui o fitness instantâneo por uma variável de recurso acumulado como o principal critério de sobrevivência.

Componentes Principais

1. Fluxo Citoplasmático (Seleção por Histórico Acumulado):
   Cada agente $i$ mantém uma variável de recurso $R_i(t)$, atualizada como uma média móvel exponencial de sua história de qualidade normalizada $Q_i(t)$:
   $$R_i(t+1) = (1-\gamma)R_i(t) + \gamma Q_i(t)$$
   onde $\gamma$ é a taxa de fluxo. Os agentes são removidos se seu recurso acumulado cair abaixo de um limiar dependente do orçamento. Isso garante que a sobrevivência dependa da trajetória completa de qualidade, não apenas do estado atual.

2. Anastomose de Proximidade de Fitness:
   A cada três iterações, agentes com valores de fitness semelhantes (dentro de um limiar de nicho $\delta_a$) passam por transferência de recursos. O "vencedor" recebe uma fração dos recursos do "perdedor", seguido por um passo de reposicionamento quimiotático guloso em direção ao vencedor. Isso facilita o fluxo de recursos entre agentes que ocupam nichos semelhantes.

3. Passo de Gradiente Natural:
   O movimento é guiado por um passo de gradiente natural ponderado pelo recurso. A elipse de busca é alongada ao longo de dimensões de alta variância (vales ou cristas produtivas) com base na distribuição dos pesos de recurso $p_i = R_i / \sum R_j$.

4. Esporulação:
   Se a população cair abaixo de metade do seu tamanho, novos agentes são introduzidos (60% aleatórios, 40% baseados em oposição) para manter a diversidade.

3. Fundamentação Teórica

O artigo fornece uma base matemática rigorosa para o MNO, distinguindo-o de algoritmos puramente inspirados na biologia de forma metafórica:

• Dependência de Histórico: O Teorema 1 prova que a variável de recurso $R_i(t)$ é um estatístico suficiente para a trajetória completa de qualidade passada de um agente. Consequentemente, o critério de seleção não é sem memória; dois agentes com o mesmo fitness instantâneo, mas históricos diferentes, possuem probabilidades de sobrevivência distintas.
• Conexão com a Equação do Replicador: O Teorema 2 demonstra que o limite de tempo contínuo da atualização de fluxo corresponde exatamente à Equação do Replicador da teoria dos jogos evolutivos:
  $$\frac{dp_i}{dt} = \gamma p_i (Q_i - \bar{Q})$$
  Mostra-se que a atualização discreta é a discretização de Euler desta equação com um erro de truncamento local limitado por $O(\gamma^2)$.
• Garantia de Convergência: Ao aplicar o Teorema Fundamental de Fisher à Equação do Replicador, o artigo prova que a qualidade média ponderada pelo recurso $\bar{Q}(t)$ é não-decrescente em expectativa durante toda a execução.

4. Resultados Experimentais

O MNO foi avaliado contra sete baselines (PSO, DE, SHADE, L-SHADE, JADE, ABC, CMA-ES) através de:

• 20 funções de benchmark clássicas.
• 15 funções CEC 2017 (D=30, D=50).
• 6 problemas de design de engenharia com restrições.

Principais Descobertas

• Paisagens Estruturadas vs. Separáveis: O MNO supera significativamente o PSO e o DE em funções não separáveis e estruturadas (ex: Rosenbrock, Schwefel 1.2, Trigonométrica). Por exemplo, na Rosenbrock (30D), o MNO alcançou um resultado aproximadamente 1.400 vezes melhor que o PSO.
• Desempenho em Funções Suaves: Em funções suaves e separáveis (ex: Sphere, Ackley), o MNO tem um desempenho inferior aos variantes de DE adaptativos de parâmetros (SHADE, JADE, L-SHADE). Os autores atribuem isso ao teorema "No Free Lunch", observando que mecanismos que exploram a estrutura temporal não oferecem vantagens em paisagens que carecem de tal estrutura.
• Estudo de Ablação: Experimentos confirmaram que tanto o operador de fluxo quanto o operador de anastomose contribuem independentemente para o desempenho. O algoritmo combinado melhorou 15/20 funções clássicas, excedendo o desempenho de qualquer um dos operadores isoladamente.
• Aplicações de Engenharia: O MNO alcançou resultados comparáveis ao estado da arte em design de molas (gap de 0,4%) e despacho econômico de carga (gap de 0,01%). Um gap maior (23,6%) no problema da viga soldada foi atribuído às limitações do método de penalidade externa usado para o tratamento de restrições, não ao mecanismo de seleção em si.

5. Significância e Alegações

O artigo faz uma alegação modesta, mas específica, sobre sua novidade e significância:

• Novidade: A contribuição não é o uso de suavização exponencial (que existe na herança de fitness) nem a própria Equação do Replicador. A novidade reside na combinação específica de usar um histórico de qualidade exponencial acumulado individualmente como o critério direto de sobrevivência, com suas dinâmicas formalmente conectadas à teoria dos jogos evolutivos via Equação do Replicador.
• Contribuição Teórica: O MNO é o primeiro metaheurística a formular explicitamente seu mecanismo de seleção ao nível individual como uma discretização da Equação do Replicador com limites de erro formalmente verificados ($O(\gamma^2)$).
• Implicação Prática: Os resultados identificam o "histórico acumulado" como um sinal de seleção anteriormente não explorado que é particularmente eficaz em paisagens de busca estruturadas e não separáveis. O artigo sugere que outras otimizações baseadas em população poderiam se beneficiar da incorporação de memória temporal nas decisões de sobrevivência, especialmente onde a geometria da paisagem é complexa.

Os autores reconhecem explicitamente que o MNO não é um solver universal superior a todos os métodos existentes; em vez disso, oferece uma alternativa teoricamente fundamentada para classes específicas de problemas de otimização onde a persistência temporal da qualidade é um sinal válido.