Notícias
Artigo sobre algoritmo de otimização é aceito na maior conferência de Inteligência Computacional da América Latina
Projeto começou como iniciação científica e virou publicação internacional
O artigo “Reinforcement Learning Boolean Binary Grey Wolf Optimizer (RLBBGWO)”, desenvolvido pelo professor Rodrigo Cesar Lira, pelos estudantes de Análise e Desenvolvimento de Sistemas (ADS) Kaio Vinicius Barbosa e Murilo Alves Filho, todos do IFPE Campus Paulista, em parceria com pesquisadores de outras instituições, foi aceito na LA-CCI (Latin American Conference on Computational Intelligence) – 2026.
O projeto está vinculado ao Programa de Bolsas de Iniciação Científica e Tecnológica do IFPE (PIBIC) – com pagamento de bolsa e também atuação de forma voluntária. O artigo trata de um algoritmo de otimização, o Boolean Binary Grey Wolf Optimizer, inspirado no comportamento do lobo cinzento. “O problema é que, originalmente, esse algoritmo funcionava de forma fixa, ele não se adaptava aos diferentes cenários existentes na sua execução. Inclusive esse é o padrão para algoritmos com a mesma característica. Nessa proposta, adicionamos um agente de Aprendizagem por Reforço que utiliza duas informações durante o processo de busca: se a solução está estagnada, ou seja, várias tentativas seguidas sem melhorar, e quanto do tempo disponível já foi usado. Com base nisso, o algoritmo decide sozinho a intensidade do ajuste em cada etapa: quando está estagnado e ainda há tempo de funcionamento, arrisca mudanças maiores para obter resultados melhores. Contudo, quando está perto do fim e a solução já é boa, faz apenas ajustes finos para não perder o que já foi alcançado”, explica o professor Rodrigo Cesar Lira.
O aprendizado por reforço é uma técnica de inteligência artificial na qual um software ou robô aprende a tomar decisões por meio de tentativa e erro. Ele interage com um ambiente, recebe pontos positivos (recompensas) quando acerta e pontos negativos (punições) quando erra, com o objetivo de conseguir o melhor resultado possível. No projeto, que consiste em uma implementação computacional: um código/algoritmo usado nos experimentos-, foram feitos testes benchmarks (conjuntos de testes) que são conhecidos da área de otimização. Nos testes de benchmark são medidos e comparados o desempenho, a velocidade e a eficiência de hardwares (como processadores e placas de vídeo), softwares ou sistemas usando tarefas padronizadas, permitindo avaliar resultados contra concorrentes ou metas estabelecidas.
Detalhando a pesquisa, o professor Rodrigo Cesar Lira, explica: “Imagine que você está indo para o trabalho e encontra uma rua bloqueada. Você pode adaptar novas rotas ao longo do trajeto para tentar chegar ao objetivo, ou até testar um caminho totalmente diferente. Antes, seguindo a proposta inicial, você só se arriscava a pegar uma ou duas ruas diferentes. Contudo, na nova proposta, a taxa de escolha diferente (adaptação) é variável e considera o cenário de execução (o quão atrasado você está) e a experiência obtida nos últimos dias do trajeto”. Como explica, a pesquisa coloca o algoritmo para realizar um tipo de calibragem para chegar a um melhor resultado. “Uma configuração fixa pode travar a busca num resultado ruim ou atrapalhar quando ela já está perto do ideal, meio como usar sempre o mesmo tamanho de passo para andar, o que funciona bem num terreno plano, mas atrapalha numa subida ou num espaço apertado. Resolvemos isso deixando o algoritmo calibrar esse passo sozinho. Isso serve para problemas de decisão do tipo sim ou não (problemas binários), onde, por exemplo, é preciso escolher a melhor combinação de itens dentro de um limite, como decidir quais produtos colocar numa mala sem estourar o peso permitido na balança do aeroporto, ou como uma empresa decide quais projetos financiar dentro de um orçamento fixo, sem poder financiar todos”, afirma o docente.
A pesquisa faz parte de um projeto em desenvolvimento com outras etapas de investigação. “No artigo, apontamos como próximos passos aprimorar a forma como o agente explora as opções ao longo do tempo, testar uma função de recompensa mais refinada e fazer o algoritmo generalizar melhor entre problemas diferentes”, conclui Rodrigo Cesar Lira.
Autores do artigo “Reinforcement Learning Boolean Binary Grey Wolf Optimizer (RLBBGWO)” – aceito para publicação no 2026 IEEE LA-CCI (Latin American Conference on Computational Intelligence):
Carmelo J. A. Bastos-Filho (UPE)
Hugo Valadares Siqueira (UTFPR)
Kaio Vinicius Souza Barbosa (IFPE, aluno de ADS)
Mariana Macedo (Constructor University, Alemanha)
Murilo Alves Silva Filho (IFPE, aluno de ADS)
Rodrigo Cesar Lira da Silva (Professor IFPE/UPE)
IEEE Latin American Conference on Computational Intelligence (LACCI 2026)
A Conferência Latino-Americana IEEE sobre Inteligência Computacional (LACCI 2026) é a principal conferência internacional da América Latina voltada para a área de Inteligência Computacional – um ramo da Inteligência Artificial. Em 2026 será realizada de 3 a 6 de novembro, em Lima, no Peru, na Universidad del Pacífico. Os artigos aceitos e apresentados no evento são publicados nos anais da conferência.
Como explica Rodrigo Cesar Lira, os autores pretendem participar do evento. “ A apresentação é obrigatória para que o artigo seja publicado nos anais da conferência. O IFPE tem um edital de auxílio de custo para participação em eventos científicos, que ajuda pesquisadores a cobrir despesas de inscrição e deslocamento, e estamos aguardando a próxima chamada, que deve sair em breve. Se não formos contemplados, vamos recorrer aos coautores de outras instituições, a UTFPR e a UPE, para que um deles possa apresentar o artigo no evento”.
