Melhoria do Desempenho de Enxame de Robôs Através do Emprego de um Enxame de Partículas Virtuais

Resumo

Este trabalho apresenta uma nova maneira de se operar enxames de robôs baseando-se naadaptação do algoritmo Particle Swarm Optimization (PSO) clássico a fim de se aumentar odesempenho de pequenos enxames de robôs utilizando-se um enxame virtual. O PSO é umalgoritmo bioinspirado no comportamento de animais sociais tais como pássaros e formigasconcebido, inicialmente, para problemas de otimização (KENNEDY e EBERHART, 1995) e foiadaptado para uso em diversas aplicações, inclusive para enxames de robôs (GREENHAGENet al, 2016). Neste trabalho, parte-se da premissa de que com o aumento do número de robôsde um enxame pode-se melhorar o desempenho deste enxame. Em contrapartida, esseaumento implica em maiores custos relacionados à aquisição, à manutenção e à infraestruturanecessárias ao suporte dos robôs. A fim de contornar estes empecilhos, opta-se por inserirmembros virtuais no enxame e que são capazes de interagir com os robôs e auxiliá-los.Admite-se que o ambiente em que será realizada uma busca pode sofrer alterações nodecorrer do tempo, porém, mesmo assim, tal ambiente ainda guarda semelhanças com oambiente original. Dessa forma, um ambiente previamente mapeado e que sofre alterações,ainda pode ser avaliado através de seu antigo mapeamento. A depender do nível dedegradação sofrido pelo ambiente, o antigo mapa reproduzirá com maior ou menor fidelidade onovo ambiente. As partículas virtuais inseridas no enxame operam sobre o mapeamento feitopreviamente enquanto os robôs operam no ambiente real, ambiente degradado. A função defitness utilizada pelas partículas virtuais está relacionada ao ambiente original e a utilizadapelos robôs relaciona-se ao ambiente degradado. Para testes, utilizou-se as funções debenchmak para problemas de otimização de larga escala constantes em Li et al. (2013).Comparou-se os resultados da presente proposta aos obtidos através de versões clássicas doPSO executadas tanto com um enxame com número reduzido de partículas quanto com umenxame com amplo número de partículas. O presente trabalho alcançou desempenhosemelhante ao do enxame com maior número de partícula tanto com relação à convergênciado método quanto à solução final encontrada.Palavras-chave: Enxame de Robôs; Inteligência de Enxames; Particle Swarm OptimizationReferênciasC, GREENHAGEN et al. A real-life robotic application of the particle swarm optimization algorithm.Swarm/Human Blended Intelligence Workshop (SHBI), IEEE, pp. 1-5, 2016.L, XIAODONG et al. Benchmark Functions for the CEC’2013 Special Session and Competition onLarge-Scale Global Optimization. Technical Report, RMIT University, v. 7, n. 33, p. 8, 2013.J, KENNEDY; R, EBERHART. Particle swarm optimization (PSO). IEEE International Conference onNeural Networks, Perth, Australia, pp. 1942–194, 1995.