Um algoritmo eficiente de otimização de planetas para resolver problemas de engenharia

Scientific Reports volume 12, Artigo número: 8362 (2022) Citar este artigo

2232 Acessos

24 citações

3 Altmétrico

Detalhes das métricas

Neste estudo é proposto um algoritmo meta-heurístico, denominado The Planet Optimization Algorithm (POA), inspirado na lei gravitacional de Newton. POA simula o movimento dos planetas no sistema solar. O Sol desempenha um papel fundamental no algoritmo como o centro do espaço de busca. Duas fases principais, busca local e global, são adotadas para aumentar a precisão e expandir o espaço de busca simultaneamente. Uma função de distribuição de Gauss é empregada como uma técnica para aumentar a precisão deste algoritmo. O POA é avaliado usando 23 funções de teste bem conhecidas, 38 funções de teste de benchmark IEEE CEC (CEC 2017, CEC 2019) e três problemas reais de engenharia. Os resultados estatísticos das funções de benchmark mostram que o POA pode fornecer resultados muito competitivos e promissores. O POA não apenas requer um tempo computacional relativamente curto para resolver problemas, mas também mostra uma precisão superior em termos de exploração do ótimo.

Nos últimos anos, muitos algoritmos de otimização inspirados na natureza foram propostos. Alguns algoritmos inspirados em enxames são apreciados, como algoritmo de otimização de enxame de partículas (PSO)1, algoritmo Firefly (FA)2, algoritmo Dragonfly (DA)3, algoritmo de otimização de baleia (WOA)4, Gray Wolf Optimizer (GWO)5, Monarch Otimização de borboletas (MBO)6, algoritmo de otimização de minhocas (EWA)7, otimização de pastoreio de elefantes (EHO)8, algoritmo de busca de mariposas (MS)9, algoritmo de fungos viscosos (SMA)10, algoritmo de predação de colônias (CPA)10 e otimização de Harris Hawks ( HHO)11. Além disso, vários algoritmos inspirados na física simularam leis físicas no universo ou na natureza, como Curved Space Optimization (CSO)12, Water Wave Optimization (WWO)13, etc. abordagens criativas, por exemplo, otimizador Runge Kutta (RUN)14.

Por outro lado, alguns algoritmos simulam o comportamento humano, como o Teaching-Learning-Based Optimization (TLBO)15 e o Human Behavior-Based Optimization (HBBO)16. Enquanto isso, o Algoritmo Genético (AG)17 é inspirado na evolução e obtém muito sucesso na resolução de problemas de otimização em muitos campos. Com a crescente popularidade dos AG, muitos algoritmos baseados em evoluções são propostos na literatura, incluindo Programação Evolucionária (PE)18 e Estratégias Evolucionárias (ES)19.

Hoje em dia, algoritmos metaheurísticos tornam-se uma ferramenta essencial para resolver problemas complexos de otimização em diversas áreas. Muitos pesquisadores aplicaram tais algoritmos para fazer um esforço para lidar com questões difíceis em biologia20, economia21, engenharia22,23, etc. Portanto, construir novos algoritmos para atender a requisitos tão complexos tem um mérito significativo.

Neste estudo, um algoritmo forte é construído para resolver problemas de otimização local e global. A ideia vem do movimento natural dos planetas no nosso sistema solar e das interações interplanetárias ao longo do seu ciclo de vida. A lei da gravidade de Newton reflete a interação gravitacional do Sol com os planetas em órbita para encontrar a posição otimizada através das características individuais dos planetas. As características desses planetas são suas massas e distâncias.

Neste artigo, propomos um algoritmo de otimização usando a lei da gravitação universal de Newton como base para seu desenvolvimento. Neste algoritmo, são consideradas uma série de características preeminentes, como busca local, busca global, para aumentar a capacidade de encontrar as soluções exatas incorporadas na simulação do movimento dos planetas no universo.

Este artigo de pesquisa está estruturado em várias seções como segue. Na próxima seção é apresentada a construção de um algoritmo meta-heurístico. O POA estrutural é simulado com base na lei da gravitação universal de Newton e em fenômenos astronômicos. Em seguida, uma ampla gama de aplicações de vários problemas de benchmark é usada para demonstrar quão eficaz é o POA. Ao mesmo tempo, apresentamos as aplicações do POA a problemas reais de engenharia. Por fim, com base nos resultados apresentados, a última seção relata as conclusões.