Os conceitos da Busca Dispersa (Scatter Search) e da Reconexão de Caminhos (Path Relinking), foram originalmente propostos por Glover no final da década de 1990 (GLOVER, 1997). Compete assinalar que os preceitos dos métodos foram apresentados pela primeira vez na década de 1970 em (GLOVER, 1977) e fundamentaram-se em formulações que remontam os anos 1960 (GLOVER, 1963), combinando restrições e regras de decisão.
A Busca Dispersa opera por meio de uma população, selecionando e combinando so- luções “boas” do conjunto de referência para fornecer soluções iniciais para um procedimento de melhoria e para atualizar o conjunto de referência, incorporando soluções diversificadas e de alta qualidade (TALBI, 2009).
Da perspectiva de operacionalização por meio de uma população, pode-se inserir a Busca Dispersa na categoria dos Algoritmos Evolutivos (GLOVER; LAGUNA; MARTI, 2003). Todavia, em conjunto com a Reconexão de Caminhos difere-se de outros Algoritmos Evoluti- vos, fornecendo princípios unificadores para juntar soluções baseadas em construções de ca- minhos generalizados, por meio de modelos estratégicos (BOUSSAÏD; LEPAGNOT; SIARRY, 2013).
Tem-se na Figura 9 o pseudocódigo da Busca Dispersa, onde observa-se os cinco passos do algoritmo. São eles:
1. Método de Diversificação é responsável pela construção do conjunto de soluções iniciais para diversificar a busca selecionando soluções de alta qualidade.
2. Método de Melhoria serve para transformar uma solução em uma ou mais soluções apri- moradas, em geral, aplicando um procedimento de busca local.
3. Método de Atualização do Conjunto de Referência opera criando um conjunto de refe- rência a partir das soluções melhores, mantendo soluções tanto diversas como de alta qualidade.
4. Método de Geração do Subconjunto opera sobre o conjunto de referência, produzindo um subconjunto de soluções base para combinação de soluções. Pode-se equivaler este método ao papel do operador de seleção nos Algoritmos Evolutivos, diferenciando-se pelo determinismo do operador, que nos Algoritmos Evolutivos é estocástico (TALBI, 2009).
5. Método de Combinação de Soluções transforma um subconjunto de soluções produzidas no método de geração do subconjunto em uma ou mais soluções combinadas. Pode-se entender o Método de Combinação de maneira análoga ao operador de cruzamento nos Algoritmos Evolutivos onde dois ou mais indivíduos são recombinados (TALBI, 2009).
Figura 9 – Pseudocódigo da Busca Dispersa Input: ConjuntoDivtamanho, ConjuntoReftamanho
Output: ConjuntoRef
ConjuntoInicial← ConstrucaoSolucaoInicial(ConjuntoDivtamanho);
ConjuntoRefinado← ∅; for Si ∈ ConjuntoInicial do ConjuntoRefinado← BuscaLocal(Si); end ConjuntoRef← SelecaoConjuntoDeRefInicial(ConjuntoReftamanho); while ¬ CondicaoDeParada() do Subconjuntos← SelecaoSubconjunto(ConjuntoRef); ConjuntoCandidato← ∅;
for Subconjuntoi∈ Subconjuntos do
CandidatosRecombinados← Recombinacao(Subconjuntoi);
for Si ∈ CandidatosRecombinados do
ConjuntoCandidato← BuscaLocal(Si);
end end
ConjuntoRef← Selecao(ConjuntoRef, ConjuntoCandidato, ConjuntoReftamanho);
end
return ConjuntoRef;
Fonte: Adaptado de (BROWNLEE, 2011, p. 67)
São diversas as aplicações da Busca Dispersa e da Reconexão de Caminhos encontradas na literatura, apresentando-se em diferentes problemas. Greistorfer (2003) e Russell e Chiang
(2006) aplicaram a Busca Dispersa ao problema padrão de roteamento de veículos, com objetivo de obter novas soluções a partir de soluções combinadas. Tang, Zhang e Pan (2010) apresentam a aplicação da Busca Dispersa no problema de roteamento do veículo considerando os custos de carregamento. Zhang, Chaovalitwongse e Zhang (2012) propuseram uma nova abordagem da técnica para o problema de roteamento de veículos com tempo de viagem, coletas e entregas simultâneas, incorporando um novo método de programação com restrições. No trabalho os autores desenvolvem paralelamente outra abordagem baseada em Algoritmo Genético como re- ferência para comparação de desempenho. Em análise comparativa, a Busca Dispersa apresenta desempenho superior ao Algoritmo Genético.
Xu e Qu (2012) apresentaram uma hibridação da Busca Dispersa para o problema de roteamento com restrições de atraso. A abordagem desenvolvida faz uso de Busca Tabu e Busca em Vizinhança Variável para intensificar a busca. Os resultados obtidos são mais eficientes em comparação a outros algoritmos de descida. Belfiore e Yoshizaki (2006) trazem uma aplicação da Busca Dispersa em um problema real de roteamento de veículos com frota heterogênea, janelas de tempo e entregas fracionadas.
Pantrigo, Montemayor e Cabido (2005) propuseram um algoritmo chamado Scatter Se- arch Particle Filter para concepção de rastreadores visuais de múltiplos objetos, cujos resulta- dos foram obtidos em tempo real. Belfiore, Silva e Ronconi (2006) fazem uso da Busca Dispersa aplicada ao problema de programação de tarefas em uma única máquina com penalidades de adiantamento e atraso e data de entrega comum. Wang et al. (2012) apresentam uma abordagem para a seleção de características com base no conjunto aproximado usando a Busca Dispersa para melhorar o fluxo de caixa e as cobranças de crédito. No trabalho, faz-se uso de entropia condicional para buscar as soluções, o que apresentou resultados com maior precisão e menor custo computacional.
Outras correlações podem ser feitas com técnicas como a Otimização por de Enxames de Partículas apresentadas por Kennedy e Eberhart (1995). El-Sayed, EL-Wahed e Ismail (2008) apresentam uma hibridização da Busca Dispersa, que substituiu dois passos do algoritmo canô- nico (combinação e melhoria) com duas etapas do Algoritmo Genético (cruzamento e mutação). Esse algoritmo leva ao aumento da eficiência e da exploração do processo de busca. Sari et al. (2011) efetuam uma avaliação da Busca Dispersa e do Algoritmo Genético aplicados ao pro- blema de programação de recursos restritos. Sagheer, Sadiq e Ibrahim (2012) apresentam um aprimoramento para a Busca Dispersa utilizando o Algoritmo das Abelhas, para intensificar regiões promissoras. Os experimentos são aplicados ao Problema do Caixeiro Viajante e forne- cem melhores soluções que o algoritmo canônico.
Cabe citar que estas duas técnicas estão fortemente relacionadas com a Busca Tabu, pois, os avanços fornecidos pelos mecanismos de intensificação e diversificação se dão por meio da exploração da memória adaptativa.
Além dos problemas clássicos, pode-se encontrar aplicações em outros domínios como em Lorenzoni e Polycarpo (2007) com alocação de sondas em poços de petróleo, Liberatore e
Sechi (2009) com redes de distribuição de água, Maenhout e Vanhoucke (2010) com equipes de tripulação no setor aéreo, Duman e Ozcelik (2011) com detecção de fraude de cartão de crédito e Wang, Teng e Shi (2009) com design de layout de módulos de satélite, entre outros.