Last updated on julho 3rd, 2026 at 01:59 pm
No universo da Inteligência Artificial, existem algoritmos chamados otimizadores, cujo objetivo é explorar diferentes possibilidades de solução para encontrar as melhores alternativas em problemas altamente complexos.
BR 51 2025 005966-3 – Multi-objective Lichtenberg Algorithm in Python (MOLA-PY)
AUTORES:
RODRIGO LÚCIO DOS SANTOS SILVA, JOÃO LUIZ JUNHO PEREIRA, ALEXANDRE FERREIRA DE PINHO
Sobre:
No universo da Inteligência Artificial, existem algoritmos chamados otimizadores, cujo objetivo é explorar diferentes possibilidades de solução para encontrar as melhores alternativas em problemas altamente complexos. Esses problemas aparecem em diversas áreas da engenharia, logística, planejamento e ciência de dados, onde muitas vezes é necessário equilibrar vários objetivos ao mesmo tempo, como custo, eficiência, segurança ou desempenho.
O Multi-objective Lichtenberg Algorithm (MOLA) é um algoritmo de otimização inspirado em um fenômeno natural observado durante descargas elétricas, conhecido como figuras de Lichtenberg. Essas figuras são padrões ramificados que surgem quando a eletricidade se propaga em um meio físico, formando estruturas semelhantes a árvores ou raios. Esse comportamento natural apresenta uma característica importante: ele explora diferentes caminhos possíveis até encontrar trajetórias de menor resistência.
O MOLA utiliza essa ideia como inspiração para criar um método computacional capaz de explorar grandes espaços de possibilidades de maneira eficiente. Durante o processo de otimização, o algoritmo gera padrões semelhantes a essas estruturas elétricas e utiliza os pontos dessas estruturas como candidatos a soluções de um problema. Ao longo das iterações, essas soluções são avaliadas e refinadas, permitindo encontrar conjuntos de soluções eficientes que representam diferentes compromissos entre objetivos conflitantes.
Uma característica importante do MOLA é que ele combina duas estratégias de busca comuns em algoritmos de Inteligência Artificial: abordagens baseadas em população de soluções e abordagens baseadas em trajetórias de busca, o que aumenta sua capacidade de explorar novas regiões do espaço de soluções e evitar resultados locais de baixa qualidade. Essa abordagem híbrida permite alcançar bons níveis de convergência e diversidade nas soluções encontradas.
A tecnologia possui implementação computacional em Python, o que facilita sua integração com sistemas modernos de análise de dados e Inteligência Artificial. O algoritmo foi validado em diversos problemas clássicos de otimização e aplicações de engenharia, demonstrando potencial para apoiar decisões complexas em diferentes setores tecnológicos e industriais.
Estágio de desenvolvimento:
Protótipo funcional validado em estudos científicos e em problemas clássicos de otimização utilizados na área de Inteligência Artificial.
Área técnica / aplicação:
Inteligência Artificial, ciência de dados, engenharia, planejamento logístico e apoio à tomada de decisão.
Diferencial da solução:
Utiliza padrões inspirados em descargas elétricas para explorar o espaço de soluções de forma eficiente, permitindo encontrar rapidamente diferentes alternativas de alta qualidade para problemas complexos.
