Um novo otimizador de concepção humana para resolver problemas de otimização

Scientific Reports volume 12, Artigo número: 21631 (2022) Citar este artigo

2266 acessos

2 citações

15 Altmétrico

Detalhes das métricas

Técnicas computacionais são amplamente utilizadas para resolver problemas complexos de otimização em diferentes áreas, como engenharia, finanças, biologia e assim por diante. Neste artigo, o Human Conception Optimizer (HCO) é proposto como um novo algoritmo metaheurístico para resolver quaisquer problemas de otimização. A ideia deste algoritmo é baseada em alguns princípios biológicos do processo de concepção humana, como a natureza seletiva do gel cervical no sistema reprodutor feminino para permitir que apenas espermatozoides saudáveis ​​entrem no colo do útero, a natureza orientadora do gel de muco para ajudar os espermatozoides a rastrear um caminho de rastreamento genital em direção ao óvulo na trompa de Falópio, a natureza assimétrica do movimento flagelar que permite que os espermatozoides se movam no sistema reprodutivo, o processo de hiperativação dos espermatozoides para torná-los capazes de fertilizar um óvulo. Assim, as estratégias seguidas pelo espermatozoide na busca do óvulo na trompa de Falópio são modeladas matematicamente. O melhor espermatozóide que atenderá à posição do óvulo será a solução do algoritmo. O desempenho do algoritmo HCO proposto é examinado com um conjunto de funções básicas de teste de benchmark chamadas IEEE CEC-2005 e IEEE CEC-2020. Também é realizado um estudo comparativo entre o algoritmo HCO e outros algoritmos disponíveis. A significância dos resultados é verificada com métodos de teste estatístico. Para validar o algoritmo HCO proposto, dois problemas de otimização de engenharia do mundo real são examinados. Para este propósito, um complexo sistema de distribuição de barramentos IEEE 8 baseado em relés de 14 sobrecorrentes é considerado. Com o algoritmo proposto, observa-se uma melhoria de 50% a 60% nos tempos totais de operação do relé comparando com alguns resultados existentes para o mesmo sistema. Outro problema de engenharia de projeto de um controlador de derivação integral proporcional (PID) ideal para um ventilador mecânico (VM) de mangueira de paciente acionado por soprador é examinado. Uma melhoria significativa em termos de tempo de resposta e tempo de acomodação é observada no sistema de MT comparando com os resultados existentes.

O método de otimização é um método computacional numérico para encontrar a solução ótima de um problema em tempo real em uma área diversificada, como engenharia, gestão, finanças e assim por diante1,2,3,4,5,6. Os métodos de otimização analítica são processos complexos e demorados para obter uma solução ótima de um problema de otimização complexo. Novamente, os métodos de otimização heurística são técnicas dependentes do problema7. Eles precisam de particularidades de um problema de otimização. Eles são demasiado gananciosos para ficarem presos numa solução local. Os métodos meta-heurísticos são independentes do problema. Podem fornecer uma solução aceitável sem garantir a otimização8. Um conceito simples pode ser implementado facilmente para criar um algoritmo metaheurístico para resolver rapidamente um problema complexo. Tais algoritmos podem ser aplicados em qualquer problema de otimização sem alterar a estrutura do algoritmo. Em comparação com algoritmos de otimização baseados em análise, um algoritmo metaheurístico está livre de ação de derivação para encontrar a solução ideal. Assim, um problema de tempo real pode ser resolvido por qualquer algoritmo metaheurístico onde necessite apenas das informações de entrada e saída do sistema9. Portanto, os pesquisadores estão dando prioridade ao desenvolvimento de algoritmos metaheurísticos utilizando conceitos naturais como o conceito de evolução, o comportamento das criaturas naturais e o procedimento de caça seguido pelos animais, e assim por diante9,10,11.

Nos algoritmos metaheurísticos, eles começam explorando novas soluções e transmitindo-as para explorar a melhor solução para um determinado problema11. Na fase de exploração do algoritmo metaheurístico, uma nova solução é produzida com base na melhor solução disponível na população. Assim, algoritmos metaheurísticos utilizam um processo de exploração e aproveitamento para evitar problemas de captura local e convergir para a solução ótima. Além disso, ao atingir um equilíbrio adequado nas fases de exploração e aproveitamento de tal algoritmo, o problema de otimização local dos métodos tradicionais pode ser evitado .