Otimização de Cobertura de Áreas por Drones: Uma Análise Comparativa de Algoritmos de Enxame

Abstract

O uso de Veículos Aéreos Não Tripulados (VANTs) para a cobertura de áreas extensas é uma aplicação crescente em diversos setores da engenharia, mas a coordenação eficiente de múltiplos drones para esta tarefa constitui um problema de otimização complexo, e há uma lacuna na literatura quanto a estudos que comparem sistematicamente as abordagens de inteligência de enxame sob este problema específico. Este trabalho realizou um estudo comparativo do desempenho de cinco meta-heurísticas de enxame — Particle Swarm Optimization (PSO), Grey Wolf Optimizer (GWO), Whale Optimization Algorithm (WOA), Salp Swarm Algorithm (SSA) e Cuckoo Search (CS) — aplicadas ao posicionamento estático de VANTs para cobertura de área, avaliadas por uma função custo multi-objetivo normalizada que agrega cobertura, sobreposição e conectividade de rede. Os algoritmos foram testados em nove cenários (três escalas de área e três densidades de drones), sob três perfis de peso representando prioridades operacionais distintas, com vinte execuções independentes por condição (3.240 execuções no total), e as diferenças de desempenho foram validadas pelo teste de Wilcoxon com correção de Holm-Bonferroni. Os resultados indicam que o PSO foi o algoritmo mais eficiente e robusto, obtendo o menor custo médio em 25 das 27 combinações de cenário e perfil (ranking médio de 1,07) e superioridade estatisticamente significativa sobre WOA, SSA, CS e o baseline aleatório em todas as combinações; o GWO consolidou-se como segunda opção, estatisticamente equivalente ao PSO no regime de drones redundantes. Constatou-se ainda que a densidade de drones, e não a escala física da área, é a variável que efetivamente define o comportamento dos algoritmos, e que a sobreposição entre coberturas muda de natureza conforme o regime: evitável quando a capacidade do enxame é inferior à área, geometricamente inevitável quando a excede.