Skip to content
Voltar aos resultados

Algoritmo do Bolor Limoso

Proposto por
Shimin Li
Ano
2020
Tipo
Nature-inspired metaheuristic algorithm
Família
Swarm Intelligence

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

O Algoritmo do Bolor Limoso (SMA) é uma técnica de otimização meta-heurística inspirada na natureza, introduzida por Li et al. em 2020.

Ele imita o comportamento de bolores limosos, que se espalham e contraem para encontrar fontes de alimento ótimas. O SMA aborda problemas complexos de otimização simulando os padrões adaptativos de forrageamento e distribuição espacial desses organismos.

A intuição por trás do método

Bolores limosos exibem notável inteligência coletiva, apesar de não possuírem um sistema nervoso central. Eles espalham pseudópodes (estruturas semelhantes a ramos) para explorar seu ambiente e contraem ao atingir fontes de nutrientes. O algoritmo captura esse comportamento através de atualizações de posição que equilibram exploração e explotação: indivíduos movem-se em direção a melhores soluções com crescente certeza, e a população se concentra progressivamente em torno de regiões promissoras. Esse mecanismo adaptativo natural permite uma busca global eficiente.

História

Introduzido por Shimin Li e colegas da Jiangsu University em 2020, o SMA emergiu do campo da computação biomimética, inspirado pela observação do comportamento real do bolor limoso *physarum*. O algoritmo foi validado em funções de benchmark padrão e tarefas de otimização de engenharia. Sua simplicidade e eficácia levaram à rápida adoção em diversos domínios de aplicação, com inúmeras variantes e melhorias publicadas subsequentemente.

Quando usar

Aplicar o SMA a problemas de otimização contínua e discreta onde a informação do gradiente está indisponível. Ele se destaca em paisagens multimodais com múltiplos ótimos locais. Adequado para projeto de engenharia, ajuste de parâmetros e seleção de características quando métodos de otimização clássicos falham ou são computacionalmente proibitivos.

Limitações e considerações

  • O desempenho pode degradar em problemas de altíssima dimensionalidade devido ao aumento do espaço de busca
  • A velocidade de convergência varia significativamente dependendo das características da paisagem do problema
  • Pode exigir ajuste específico do problema para aplicações complexas de engenharia

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Excelente equilíbrio entre exploração e explotação através de mecanismo adaptativo de peso
  • Implementação simples com poucos hiperparâmetros para ajustar
  • Demonstra convergência rápida nas iterações iniciais com capacidade eficaz de busca global
  • Aplicável a problemas de otimização com e sem restrições

Aplicações

  • Engenharia mecânica: otimização de projetos estruturais e configurações de máquinas sob múltiplas restrições
  • Seleção de características: seleção de características relevantes em conjuntos de dados de alta dimensionalidade para melhorar o desempenho de modelos de aprendizado de máquina
  • Ajuste de hiperparâmetros de redes neurais: encontrar taxas de aprendizado ótimas, tamanhos de camadas e constantes de regularização
  • Projeto de antenas: otimização de geometrias e parâmetros de antenas para sistemas de comunicação
  • Otimização da cadeia de suprimentos: determinação de níveis de estoque e rotas de distribuição para minimizar custos
  • Alocação de recursos: distribuição de recursos limitados entre projetos para maximizar o benefício geral

Como funciona

Como funciona

1

Inicializar uma população de posições de bolor limoso distribuídas aleatoriamente no espaço de busca e avaliar seus valores de aptidão.

2

Atualizar a posição de cada bolor com base em uma função de peso que aumenta em direção à melhor solução, combinada com perturbações aleatórias para exploração.

3

Calcular o valor da função objetivo para cada nova posição e comparar com os valores de aptidão anteriores.

4

Repetir as etapas de atualização e avaliação até a convergência ou até que um número máximo de iterações seja atingido.

Erros comuns

  • Convergência prematura para ótimos locais se o mecanismo de peso for muito agressivo no início da otimização
  • Exploração insuficiente quando a população inicial está muito concentrada em uma pequena região
  • Não escalar adequadamente as variáveis de decisão pode levar a um desempenho de busca ruim

Perguntas frequentes

Como o mecanismo de peso no SMA difere de outras meta-heurísticas como PSO?

Ao contrário do PSO, que usa vetores de velocidade, o SMA emprega um peso decrescente no tempo que incentiva a explotação à medida que as iterações progridem. Essa estratégia adaptativa equilibra naturalmente exploração e explotação sem exigir parâmetros separados para componentes cognitivos e sociais.

O SMA é adequado para resolver problemas de otimização com restrições?

Sim, o SMA pode lidar com restrições através de métodos de função de penalidade ou técnicas de tratamento de restrições. Soluções inviáveis recebem valores de aptidão reduzidos, guiando a busca em direção à região viável.

Como devo definir o tamanho da população para o meu problema?

Comece com um tamanho de população proporcional à dimensionalidade do problema, tipicamente 20-50 indivíduos. Populações maiores melhoram a busca global, mas aumentam o custo computacional. Use testes empíricos em seu problema específico para encontrar o equilíbrio.

Qual é o comportamento típico de convergência do SMA?

O SMA tipicamente mostra rápida melhoria nas iterações iniciais devido à forte exploração, seguida de refinamento à medida que o mecanismo de peso guia cada vez mais as soluções para a melhor posição encontrada.

Métodos relacionados

Fontes

  1. Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.

    Abrir referência DOI
    Copiado.