Resumo |
Problemas de design em engenharia têm sido resolvidos por meio de métodos convencionais de busca, no entanto, por mais que esses métodos obtenham resultados promissores, em problemas reais, muitas vezes existem diversas variáveis de decisão e a função objetivo pode possuir muita complexidade, fazendo com que essas buscas se tornem inviáveis, seja por excesso de tempo ou incapacidade de alcançar o ótimo global. A partir disso, surgem os algoritmos meta-heurísticos, que utilizam de randomização e buscas locais para chegar a uma solução; com a tendência de criar algoritmos meta-heurísticos inspirados em eventos da natureza, surge o Crow Search Algorithm (CSA), que visa representar o comportamento de bando corvos para chegar a soluções ótimas: corvos possuem esconderijos onde guardam comida, podem seguir outros corvos e podem tentar enganar aqueles que os seguem. Há um problema restante, pois em um cenário real, existem muitos fatores a serem considerados, vários deles podem causar impactos diretamente na solução de alguns problemas - mudanças de clima e temperatura, falta de precisão no maquinário, resistência de materiais, entre outros. Desse modo, é necessário utilizar soluções robustas, que são soluções pouco suscetíveis a variabilidade, sendo capazes de se manterem ótimas dentro de um intervalo; os métodos que trabalham com essas soluções são chamados de métodos de otimização robusta, e fazem uso de uma métrica de robustez a fim de quantificar o quão robusta são as soluções obtidas. Ao realizar experimentos com o CSA aplicado à otimização robusta utilizando métricas de pior caso, foi possível obter bons resultados quando comparados aos nominais (resultados sem perturbações), além de demonstrar como perturbações podem influenciar negativamente no resultado de um problema: para cada um dos três problemas selecionados, foram comparadas cinco situações, e em todas, as soluções nominais, quando perturbadas, culminaram em piores resultados, podendo até mesmo gerar soluções infactíveis considerando as restrições do problema. Deste modo, pode-se concluir que o CSA é um algoritmo capaz de ser adaptado para otimização robusta sem perder muito desempenho, obtendo uma ampla vantagem para aplicações reais quando comparado a sua variante sem robustez. |