Enhanced Gold Mining Optimization with Dual-Layer Information Sharing and Dynamic Control for Multi-Objective Scheduling of Heterogeneous UAV Swarms

Resumo Técnico: Otimização Aprimorada de Mineração de Ouro para Enxames de UAV Heterogêneos

Definição do Problema
O artigo aborda o desafio complexo da programação colaborativa multi-objetivo para enxames de Veículos Aéreos Não Tripulados (UAVs) heterogêneos. Este problema envolve a otimização fortemente acoplada da alocação de tarefas e do planejamento de trajetórias para frotas compostas por diversos tipos de UAVs (ex: asa fixa, asa rotativa e asa híbrida). O objetivo é otimizar simultaneamente três metas conflitantes sob rigorosas restrições operacionais:

1. Minimizar o tempo de conclusão da missão (makespan).
2. Minimizar o consumo total de energia.
3. Maximizar o equilíbrio da carga de trabalho (minimizando o desvio padrão dos tempos de conclusão individuais de cada UAV).

O problema é limitado pela unicidade das tarefas, viabilidade energética, janelas temporais e viabilidade dinâmica (limites cinemáticos como raio de curva e ângulos de subida). Os autores argumentam que as meta-heurísticas existentes frequentemente sofrem com o desacoplamento estrutural entre o planejamento de tarefas e de trajetória, designs algorítmicos estáticos que carecem de adaptabilidade a mudanças em tempo real e uniformidade subótima da fronte de Pareto (lacunas ou agrupamentos). Além disso, o algoritmo Gold Mining Optimization (GMO) original, embora eficaz na exploração global, carece de diversidade populacional suficiente, controle de tamanho de passo adaptativo e mecanismos dedicados para tratamento multi-objetivo, levando à convergência prematura e má aproximação da fronte de Pareto neste domínio específico.

Metodologia: IGMO-DP
Para superar essas limitações, os autores propõem o Improved Gold Mining Optimization with Dual-layer Information Sharing and Dynamic Pareto Dominance (IGMO-DP). A metodologia integra três melhorias principais à estrutura padrão do GMO:

1. Mecanismo de Compartilhamento de Informação de Camada Dupla:

   • Melhoria de Vizinhança Local: Utiliza uma estrutura de vizinhança topológica onde indivíduos trocam informações com seus $K_{neigh}$ vizinhos mais próximos. Uma estratégia de fusão de média ponderada atribui pesos maiores aos vizinhos com melhores classificações não dominadas, preservando a diversidade local e evitando a convergência prematura.
   • Orientação de Elite Global: Direciona a população em direção à fronte de Pareto-ótima usando um arquivo externo de soluções elite.
   • Fusão Adaptativa: Um coeficiente variante no tempo $\alpha(t)$ equilibra dinamicamente a influência dos vetores local e global, priorizando a exploração global nas iterações iniciais e o refinamento local nas fases finais.

2. Mecanismo de Atualização de Posição Dinâmica:

   • Tamanho de Passo Adaptativo: O tamanho do passo $\eta_i(t)$ é ajustado com base na melhoria do fitness do indivíduo e na contagem de iterações. Isso permite passos grandes durante a exploração global e passos menores e precisos durante a explotação local.
   • Ajuste Direcional: Um fator baseado em gradiente é introduzido para ajustar a direção da busca com base no terreno local da função objetivo, equilibrando a orientação de informação com o gradiente descendente.

3. Dominância de Pareto Dinâmica e Manutenção de Arquivo:

   • Limiar de Dominância Dinâmico: Um limiar $\tau(t)$ que diminui ao longo das iterações. Nos estágios iniciais, relaxa os critérios de dominância para reter soluções diversas e ligeiramente inferiores; nos estágios finais, torna-se mais rigoroso em relação à dominância de Pareto padrão para acelerar a convergência.
   • Arquivo de Elite: Mantém um conjunto de soluções não dominadas, utilizando a distância de agrupamento (crowding distance) para podar o arquivo quando a capacidade é excedida, garantindo uma cobertura uniforme da fronte de Pareto.

O algoritmo codifica soluções como matrizes de alocação de tarefas e sequências de execução, utilizando modelos de trajetória de Dubins para garantir a viabilidade cinemática durante a avaliação do fitness. A tomada de decisão final entre o conjunto de Pareto é realizada utilizando o método TOPSIS.

Principais Contribuições

• Inovação Algorítmica: O desenvolvimento do IGMO-DP, que adapta especificamente o algoritmo Gold Mining Optimization para a programação de UAVs heterogêneos multi-objetivo através de compartilhamento de informação de camada dupla e mecanismos de controle dinâmico.
• Formulação do Problema: Um modelo matemático rigoroso que otimiza conjuntamente tempo, energia e equilíbrio de carga enquanto impõe restrições cinemáticas e temporais estritas via trajetórias de Dubins.
• Análise de Mecanismo: A introdução de uma estratégia de dominância de Pareto dinâmica que autoajusta a pressão de seleção sem necessidade de ajuste manual de parâmetros, equilibrando efetivamente velocidade de convergência e diversidade de soluções.

Resultados Experimentais
O algoritmo IGMO-DP foi avaliado contra quatro bases de comparação (GMO original, NSGA-II, MOPSO e HMOEA) em três cenários de complexidade crescente (S1: 5 UAVs/10 tarefas; S2: 10 UAVs/20 tarefas; S3: 20 UAVs/40 tarefas).

• Convergência e Qualidade: O IGMO-DP superou consistentemente todas as bases de comparação. No cenário mais complexo (S3), alcançou uma melhoria de Inverted Generational Distance (IGD) de 12,7%–18,3% e uma melhoria de Hypervolume (HV) de 8,2%–14,6% em relação ao segundo melhor algoritmo (HMOEA).
• Uniformidade: O algoritmo produziu frontes de Pareto com espaçamento (SP) significativamente melhor, mostrando uma melhoria de 15,1%–22,4% na uniformidade da distribuição das soluções.
• Estabilidade: O IGMO-DP demonstrou estabilidade superior ao longo de 30 execuções independentes, com desvios padrão menores e menos valores atípicos (outliers) em comparação com outros algoritmos.
• Estudos de Ablação: Experimentos confirmaram que remover qualquer componente individual (compartilhamento local, compartilhamento global, tamanho de passo adaptativo ou dominância dinâmica) resultou em degradação mensurável do desempenho, validando a necessidade de cada módulo. Por exemplo, remover o compartilhamento local degradou a métrica SP em 21,3%.
• Eficiência Computacional: Embora o IGMO-DP incorra em um aumento modesto no tempo de execução (aproximadamente 15% superior ao NSGA-II em S2), os autores observam que isso é aceitável para aplicações de programação offline onde a qualidade da solução é primordial.

Significância e Alegações
O artigo afirma que o IGMO-DP fornece uma solução robusta e escalável para a programação multi-objetivo de enxames de UAVs heterogêneos. Sua principal significância reside na capacidade de:

1. Otimizar simultaneamente objetivos conflitantes (tempo, energia, carga) respeitando complexas restrições físicas.
2. Manter alta diversidade no conjunto de soluções, oferecendo aos tomadores de decisão uma ampla gama de opções de compensação (trade-off) bem distribuídas (ex: priorizar velocidade vs. energia em cenários de resposta a desastres).
3. Operar autonomamente sem a necessidade de calibração manual de parâmetros para equilibrar convergência e diversidade, graças aos seus mecanismos adaptativos e de dominância dinâmica.

Os autores concluem que o algoritmo é viável para aplicações de engenharia, citando um estudo de caso específico onde reduziu o tempo de conclusão de tarefas em 23% e o consumo de energia em 18% em comparação com métodos gananciosos (greedy) tradicionais em um cenário de resposta a desastres. Sugere-se que trabalhos futuros foquem em programação online via aprendizado por reforço, arquiteturas distribuídas e testes de hardware-in-the-loop.