Whale Optimization Algorithm: cuando las ballenas enseñan a optimizar

El Whale Optimization Algorithm (WOA) es un algoritmo bioinspirado de optimización basado en el comportamiento de caza de las ballenas jorobadas, en particular en su famosa técnica conocida como bubble-net feeding. En la naturaleza, estas ballenas crean espirales y círculos de burbujas para rodear a sus presas y atraparlas de forma eficiente; este mismo principio fue modelado matemáticamente para guiar la búsqueda de soluciones óptimas en problemas complejos.

El WOA fue propuesto en 2016 por Seyedali Mirjalili y Andrew Lewis, dentro del ámbito académico australiano, como parte de sus investigaciones en metaheurísticas e inteligencia inspirada en la naturaleza. Su objetivo principal es encontrar el óptimo global de una función, incluso en escenarios no lineales, multimodales o de alta dimensionalidad, donde los métodos clásicos suelen fallar o resultar demasiado costosos computacionalmente.

El funcionamiento del algoritmo se basa en tres comportamientos principales. Primero, las ballenas rodean la mejor solución conocida, reduciendo gradualmente la distancia hacia ella. Este proceso se modela mediante una distancia efectiva que mide qué tan lejos está cada ballena de la mejor posición encontrada hasta el momento. Para evitar movimientos rígidos o repetitivos, se introduce un componente aleatorio, lo que permite diversidad en la exploración. En segundo lugar, el algoritmo simula el ataque en espiral, representando el movimiento circular de las ballenas alrededor de la presa, lo que favorece una explotación más precisa del área prometedora. Finalmente, cuando es necesario, las ballenas exploran nuevas regiones del espacio de búsqueda, alejándose de la mejor solución actual para evitar quedar atrapadas en óptimos locales.

Un aspecto clave del WOA es el uso de coeficientes adaptativos que controlan si una ballena se acerca o se aleja de la presa. A medida que avanzan las iteraciones, el algoritmo pasa progresivamente de una fase de exploración global a una de explotación local, equilibrando la búsqueda amplia con el refinamiento de las mejores soluciones. Gracias a esta estrategia, el Whale Optimization Algorithm ha demostrado ser competitivo frente a otros algoritmos bioinspirados y ha encontrado aplicaciones en ingeniería, control de sistemas, aprendizaje automático y optimización matemática.

Referencia: 

Mirjalili, S., & Lewis, A. (2016). The whale optimization algorithm. Advances in engineering software, 95, 51-67.