Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

Resumo Técnico: Otimização de Motor de Combustão Interna (ICEO)

Definição do Problema
A otimização em espaços de busca de alta dimensão, não lineares e multimodais continua sendo um desafio fundamental na engenharia e na ciência da computação. Embora as metaheurísticas tenham se mostrado eficazes para problemas NP-difíceis, muitos algoritmos existentes sofrem de convergência prematura e de uma incapacidade de manter um equilíbrio ideal entre exploração (diversificação) e explotação (intensificação). As abordagens adaptativas atuais frequentemente dependem de estratégias de mutação ou perturbação aleatórias que não incorporam explicitamente a dinâmica histórica ou o estado atual do processo de busca, levando à estagnação em ótimos locais.

Metodologia
O artigo propõe a Otimização de Motor de Combustão Interna (ICEO), uma metaheurística inspirada na física e estruturada em torno do ciclo de operação de quatro tempos de um motor de combustão interna. Diferente de algoritmos puramente metafóricos, o ICEO é projetado como um sistema adaptativo estruturado onde quatro fases coordenadas interagem sinergicamente:

1. Admissão (Exploração): Corresponde à geração e integração de novas soluções diversas. O algoritmo extrai "ar" (candidatos a soluções) da atmosfera (população) e "combustível" (vetores de perturbação aleatória). A proporção de ar fresco versus "gases queimados" reciclados (soluções anteriormente descartadas) é regulada dinamicamente.
2. Compressão (Explotação Precoce): O espaço de busca é progressivamente contraído em torno da melhor solução atual ($X_{best}$). Partículas de ar são combinadas com vetores de combustível para gerar novas configurações de candidatos, focando a busca em regiões promissoras.
3. Combustão (Explotação Intensiva e Escape): Modelada como um processo probabilístico onde apenas um subconjunto de soluções passa pela "ignição". Esta fase envolve o refinamento intensivo das melhores soluções. Para evitar o aprisionamento em mínimos locais, o algoritmo aplica ocasionalmente perturbações baseadas em voo de Lévy (Lévy flight) em soluções selecionadas.
4. Exaustão (Seleção e Atualização): Os gases queimados (novas soluções geradas) são avaliados. A população é ordenada, e as melhores soluções são retidas para o próximo ciclo, enquanto candidatos inferiores são expelidos.

Mecanismo de Controle Adaptativo (ECU)
Uma inovação central do ICEO é a Unidade de Controle do Motor (ECU), um mecanismo adaptativo que governa o ciclo iterativo. A ECU monitora a velocidade de convergência e a estagnação usando uma janela deslizante ($\omega$) de valores de fitness recentes.

• Ela calcula a taxa média de melhoria ($\Delta f$) e ajusta um parâmetro de aceleração ($a_x$).
• Com base em $a_x$, a ECU determina dinamicamente a proporção ar-combustível ($\rho_{air}$ e $\rho_{fuel}$), controlando efetivamente o equilíbrio entre a injeção de nova diversidade (exploração) e o refinamento das soluções existentes (explotação).
• Essa adaptação baseada em feedback permite que o algoritmo reaja às dinâmicas de otimização em tempo real, em vez de depender de cronogramas fixos.

Principais Contribuições

• Ciclo Estruturado de Quatro Fases: O ICEO separa explicitamente as operações de busca em estágios distintos e coordenados (admissão, compressão, combustão, exaustão), diferenciando-se de algoritmos que incorporam essas funções dentro de regras de atualização únicas.
• Regulação Adaptativa: A introdução do mecanismo ECU permite o ajuste de parâmetros dependentes do desempenho, especificamente sintonizando a intensidade do processo de "combustão" e a taxa de injeção de soluções com base na estagnação observada.
• Mecanismo de Mistura Ar-Combustível: O algoritmo decompõe explicitamente os recursos de busca em injeção de diversidade externa (combustível) e continuidade baseada na população (ar), com a proporção regulada de forma adaptativa para equilibrar exploração e explotação.

Resultados Experimentais
O desempenho do ICEO foi avaliado contra dez metaheurísticas de última geração (incluindo L-SHADE, CMA-ES, GWO, PSO e GA) através de três estágios experimentais:

1. Funções de Referência Padrão (D=100): Testado em 18 funções (unimodais e multimodais). O ICEO alcançou a menor pontuação de ranking global (27 pontos), garantindo 15 primeiros lugares. Demonstrou precisão de convergência superior tanto em funções unimodais (ex: Dixon-Price) quanto multimodais (ex: Rastrigin, Ackley) em comparação aos concorrentes.
2. Conjunto de Referência CEC 2022 (D=20): Avaliado em 12 funções complexas (unimodais, multimodais, híbridas e de composição). O ICEO alcançou o melhor ranking médio (2.750) no teste de Friedman.
   • Significância Estatística: O teste post-hoc de Nemenyi indicou que a superioridade do ICEO é estatisticamente significativa apenas contra os algoritmos de menor desempenho (WarSO, EHO, CMA-ES). As diferenças contra competidores de alto nível como L-SHADE e SADE não foram estatisticamente significativas sob o teste de Nemenyi, embora o teste de postos sinalizados de Wilcoxon tenha mostrado o ICEO vencendo significativamente mais comparações pareadas (94 vitórias vs. 18 derrotas no total).
3. Problemas de Engenharia do Mundo Real: O ICEO foi aplicado aos problemas de projeto de Redutor de Velocidade, Treliça de Três Barras e Vasos de Pressão. Em todos os casos, demonstrou desempenho competitivo, convergência rápida e baixa dispersão de solução em comparação com os cinco melhores algoritmos dos testes de referência.
4. Estudo de Ablação: A remoção da fase de compressão (V1) causou a degradação de desempenho mais significativa, destacando seu papel crítico. Variantes sem a ECU (V3) tiveram desempenho inferior ao ICEO completo, confirmando o valor do mecanismo adaptativo.

Significância e Limitações
O artigo afirma que o ICEO oferece um framework robusto para equilibrar exploração e explotação através de seu ciclo estruturado inspirado na física e controle adaptativo em tempo real. O mecanismo ECU distingue-o dos algoritmos padrão guiados por líderes ao adaptar o esforço de busca com base no desempenho, em vez do tempo.

No entanto, os autores reconhecem limitações específicas:

• Nuance Estatística: Embora o ICEO frequentemente ocupe o primeiro lugar, o teste de Nemenyi sugere que sua superioridade não é estatisticamente confirmada contra todos os competidores de alto nível (ex: L-SHADE), indicando uma sobreposição substancial de desempenho entre métodos avançados.
• Custo Computacional: A etapa de ordenação necessária para as atualizações da população acarreta um custo computacional não desprezível, o que pode limitar a aplicabilidade em cenários com restrição de tempo.
• Sensibilidade a Hiperparâmetros: Embora a ECU reduza a sensibilidade, o algoritmo ainda requer a calibração de parâmetros como $r_{min}$ e $r_{max}$, e o desempenho pode degradar se estes forem definidos fora das faixas recomendadas.
• Escopo: A implementação atual é um otimizador de objetivo único sem garantias teóricas formais de convergência. Os autores sugerem que trabalhos futuros abordem problemas de alta dimensão ($D > 500$), otimização multiobjetivo e espaços de busca discretos.