Metaheurísticas híbridas KOARIME e MOKOARIME : uma abordagem integrada para otimização em problemas de engenharia

Abstract

Resumo: A crescente complexidade dos sistemas de engenharia tem impulsionado o desenvolvimento de técnicas estocásticas para otimização, que superam as limitações dos métodos determinísticos. Metaheurísticas, especialmente as híbridas, têm se mostrado técnicas promissoras para lidar com problemas de múltiplos objetivos e alta dimensionalidade. Este trabalho propõe duas novas metaheurísticas híbridas, KOARIME (mono objetivo) e MOKOARIME (multi-objetivo), que combinam as abordagens de exploração do Algoritmo de Otimização de Kepler (KOA) e o refinamento das soluções inspirado no algoritmo RIME, baseado no crescimento do gelo-rime. A versão mono objetivo do KOARIME foi avaliada nas competições de benchmark CEC 2017, CEC 2019 e CEC 2023, considerando diferentes tamanhos populacionais, obtendo desempenho superior em aproximadamente 50% das funções avaliadas quando comparada aos algoritmos de referência. No contexto multi-objetivo, o MOKOARIME foi avaliado na competição CEC 2018, alcançando os melhores resultados em termos de convergência e diversidade em cerca de 60% dos problemas analisados. Além dos benchmarks, os algoritmos foram aplicados a problemas reais de engenharia. No estudo de uma microrrede híbrida off-grid, o KOARIME obteve 100% de vitórias na minimização mono objetivo do custo do ciclo de vida (LCC – Life Cycle Cost), enquanto o MOKOARIME apresentou desempenho superior em 75% dos cenários na formulação multi-objetivo, considerando simultaneamente critérios econômicos e ambientais. No problema de otimização de treliças estruturais, o MOKOARIME superou os algoritmos comparados em 93% dos casos avaliados, demonstrando elevada robustez e qualidade das frentes de Pareto obtidas. De forma geral, os resultados quantitativos confirmam que o KOARIME e o MOKOARIME são algoritmos eficientes, robustos e competitivos, apresentando boa escalabilidade computacional e desempenho consistente tanto em benchmarks clássicos quanto em problemas reais de engenharia, consolidando-se como abordagens competitivas e robustas para problemas de otimização mono objetivo e multi-objetivo em engenharia

Abstract: The increasing complexity of engineering systems has driven the development of stochastic optimization techniques capable of overcoming the limitations of deterministic methods. Metaheuristics, particularly hybrid approaches, have proven to be promising techniques for addressing problems involving multiple objectives and high dimensionality. This work proposes two new hybrid metaheuristics, KOARIME (single objective) and MOKOARIME (multi-objective), which combine the exploration mechanisms of the Kepler Optimization Algorithm (KOA) with solution refinement inspired by the RIME algorithm, based on the growth of rime ice. The single-objective version of KOARIME was evaluated on the CEC 2017, CEC 2019, and CEC 2023 benchmark suites, considering different population sizes, and achieved superior performance in approximately 50% of the evaluated functions when compared with reference algorithms. In the multi-objective context, MOKOARIME was assessed on the CEC 2018 benchmark suite, achieving the best results in terms of convergence and diversity in about 60% of the analyzed problems. Beyond benchmark evaluations, the proposed algorithms were applied to real engineering problems. In the study of a hybrid off-grid microgrid, KOARIME achieved 100% victories in the single-objective minimization of the life cycle cost (LCC), while MOKOARIME outperformed competing algorithms in 75% of the scenarios under the multi-objective formulation, simultaneously considering economic and environmental criteria. In the structural truss optimization problem, MOKOARIME surpassed the compared algorithms in 93% of the evaluated cases, demonstrating high robustness and superior quality of the obtained Pareto fronts. Overall, the quantitative results confirm that KOARIME and MOKOARIME are efficient, robust, and competitive algorithms, exhibiting good computational scalability and consistent performance across both classical benchmark problems and real-world engineering applications, thereby consolidating themselves as competitive and robust approaches for single-objective and multi-objective optimization in engineering