مُحسِّن الذئب الرمادي — GWO
- قدّمه
- Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
- السنة
- 2014
- النوع
- Swarm-intelligence metaheuristic
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
مُحسِّن الذئب الرمادي (GWO) هو خوارزمية ميتاهيوريستية قائمة على ذكاء السرب، قدمها ميرجليلي وميرجليلي ولويس في عام 2014. تحاكي هذه الخوارزمية التسلسل الهرمي الاجتماعي وسلوك الصيد التعاوني للذئاب الرمادية. يتم تقسيم مجموعة من الحلول المرشحة إلى أربع رتب قيادية — ألفا وبيتا ودلتا وأوميغا — وتوجه أفضل ثلاثة حلول في كل تكرار السرب بأكمله نحو مناطق أفضل بشكل متزايد في فضاء البحث.
الفكرة الحدسية وراء الطريقة
تخيل قطيعًا من الذئاب الرمادية يطارد فريسة عبر تضاريس وعرة. يتخذ ذئب الألفا القرار النهائي، ويقدم ذئبا البيتا والدلتا المشورة، ويعيد بقية القطيع تموضع نفسه استجابةً للقادة الثلاثة. ينسخ GWO هذا تمامًا: تعمل الحلول الثلاثة الأكثر ملاءمة التي تم العثور عليها حتى الآن كمنارات ملاحية، ويقوم كل مرشح آخر بتعديل موقعه كمزيج مرجح من الاتجاهات التي تشير إليها تلك المنارات الثلاثة. يتم تقليل معلمة واحدة، a، تدريجيًا من 2 إلى 0 مع تقدم التكرارات، بحيث ينتشر القطيع أولاً على نطاق واسع للاستكشاف ثم يضيق دائرته لاستغلال أفضل منطقة تم العثور عليها.
التاريخ
اقترح سيد علي ميرجليلي، وسيد محمد ميرجليلي، وأندرو لويس GWO في عام 2014 في مجلة Advances in Engineering Software. استلهمت الخوارزمية من الملاحظات البيئية لهيكل قطيع الذئب الرمادي: تسلسل هرمي اجتماعي صارم (ألفا، بيتا، دلتا، أوميغا) واستراتيجية الصيد ثلاثية المراحل المتمثلة في تطويق الفريسة ومضايقتها ومهاجمتها. قارن ميرجليلي وآخرون GWO بتحسين سرب الجسيمات (Particle Swarm Optimization)، وخوارزمية البحث الجاذبي (Gravitational Search Algorithm)، والتطور التفاضلي (Differential Evolution) على 29 دالة اختبار والعديد من مشاكل التصميم الهندسي، وأبلغوا عن نتائج تنافسية أو متفوقة. منذ عام 2014، أنتجت الخوارزمية أدبيات متابعة كبيرة: قام فارس وآخرون (2018) بمسح أكثر من عقد من المتغيرات — الثنائية، ومتعددة الأهداف، والفوضوية، والامتدادات الهجينة — ووثقوا التطبيقات في اختيار الميزات، وأنظمة الطاقة، وتجزئة الصور، والجدولة.
متى تُستخدم
يناسب GWO مشاكل التحسين المستمر حيث تكون دالة الهدف مكلفة للتقييم تحليليًا أو تكون صندوقًا أسود. لا يتطلب معلومات التدرج ولا افتراضات توزيعية حول البيانات. الطريقة مناسبة لمهام التصميم الهندسي، وضبط المعلمات، واختيار الميزات. نظرًا لأنها تعتمد على السكان، يُنصح بحجم سكان أدنى يتراوح تقريبًا بين 10 و 30 وكيلًا؛ فالمجموعات الصغيرة جدًا تقلل التنوع وتزيد من خطر التقارب المبكر. GWO غير مناسب للمشاكل المنفصلة أو التوافقية بدون تعديل، ولا للمشاكل التي يوجد فيها حل رياضي دقيق.
الحدود والاعتبارات
- التقارب ليس مضمونًا إلى الأمثل العالمي؛ تعتمد الجودة على تنوع السكان وعدد التكرارات.
- غير مناسب بطبيعته لمساحات البحث المنفصلة أو الثنائية أو التوافقية بدون ترميز مخصص.
- مثل معظم طرق السرب، يمكن أن يتوقف إذا تجمعت القادة الثلاثة مبكرًا في منطقة دون المستوى الأمثل.
- يتدرج بشكل سيء إلى مساحات البحث عالية الأبعاد جدًا مقارنةً بالمحللات القائمة على التدرج عندما تكون الدالة الهدف سلسة.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- خالٍ من التدرج: يعمل على أي دالة هدف تُرجع قيمة قياسية، بما في ذلك المحاكاة ونماذج الصندوق الأسود.
- الحد الأدنى من تحديد المعلمات: يحتاج فقط إلى تحديد حجم السكان وعدد التكرارات؛ تتناقص a تلقائيًا.
- يوازن بين الاستكشاف والاستغلال من خلال معلمة واحدة تتناقص خطيًا، مما يجعل آلية التوازن شفافة.
- أداء تنافسي في معايير التصميم الهندسي مع تعقيد تنفيذي منخفض (مستوى الصعوبة 2 من 5).
التطبيقات
- تحسين التصميم الهندسي: تقليل الوزن الهيكلي، تصميم الهوائيات، تقدير معلمات نظام الطاقة.
- ضبط المعلمات الفائقة للتعلم الآلي واختيار الميزات لمهام التصنيف.
- أنظمة الطاقة: الإرسال الأمثل في شبكات الطاقة وتحديد مواقع وحدات الطاقة المتجددة.
- تجزئة الصور وتحليل الصور الطبية عبر تحسين العتبة.
- مشاكل الجدولة وتخصيص الموارد مع استرخاء مستمر.
كيف يعمل
كيف يعمل
يتم إنشاء مجموعة من الحلول المرشحة بشكل موحد عشوائيًا ضمن الحدود الدنيا والعليا المحددة لفضاء البحث. حجم المجموعة والحد الأقصى لعدد التكرارات هما المعلمتان الوحيدتان اللتان يجب تعيينهما قبل بدء التشغيل.
يتم تقييم كل حل مرشح بواسطة دالة الهدف. نظرًا لأن GWO لا يعتمد على التدرج، فقد تكون الدالة صندوقًا أسود — يكفي أن تُرجع قيمة لياقة قياسية لكل موقع مرشح.
يتم فرز المرشحين حسب اللياقة. يُعيّن أفضل حل كألفا (α)، والثاني الأفضل كبيتا (β)، والثالث الأفضل كدلتا (δ). جميع المرشحين المتبقين هم ذئاب أوميغا (ω). يتم إعادة تعيين هذه الأدوار في كل تكرار بحيث تتبع التسميات دائمًا أفضل ثلاثة مواقع حالية.
يحدث كل ذئب أوميغا موقعه عن طريق حساب ثلاثة متجهات مسافة — واحد باتجاه كل من α و β و δ — والانتقال إلى مركز ثقل المواقع المستهدفة الثلاثة الناتجة. تتناقص معلمة التحكم a خطيًا من 2 إلى 0 خلال فترة التشغيل: القيم الكبيرة لـ a تدفع الاستكشاف (يمكن للمرشحين تجاوز الحدود والبحث بعيدًا عن القادة)، والقيم الصغيرة تدفع الاستغلال (يتقارب المرشحون بإحكام حول القادة).
تتكرر خطوة الصيد حتى يتم الوصول إلى الحد الأقصى لعدد التكرارات أو يتم استيفاء معيار التوقف. يتم إرجاع موقع ذئب الألفا عند الإنهاء كأفضل حل تم العثور عليه.
الأخطاء الشائعة
- تحديد حجم السكان صغيرًا جدًا (أقل من حوالي 10) يؤدي إلى انهيار التنوع مبكرًا؛ يتقارب القادة الثلاثة مبكرًا ويستكشف التشغيل منطقة صغيرة فقط.
- تشغيل عدد قليل جدًا من التكرارات يعطي دورة صيد غير كافية؛ التشغيل الذي ينتهي بينما لا تزال a كبيرة لم يدخل مرحلة الاستغلال.
- تطبيق GWO على المشاكل ذات المتغيرات الصحيحة أو الفئوية بدون مخطط تقطيع ينتج تحديثات موقع لا معنى لها.
- تجاهل نطاق حدود البحث — الحدود الواسعة جدًا جنبًا إلى جنب مع مجموعة سكانية صغيرة تترك معظم الفضاء غير مُعاين في التكرارات المبكرة.
الأسئلة الشائعة
كيف أختار حجم السكان وعدد التكرارات؟
نقطة البداية الشائعة هي 30 وكيلًا و200-500 تكرار للمشاكل ذات الأبعاد المتوسطة (حتى حوالي 30 متغيرًا). قم بزيادة حجم السكان والتكرارات مع نمو أبعاد المشكلة. نظرًا لأن GWO عشوائي، قم بتشغيله 20-30 مرة على الأقل باستخدام بذور عشوائية مختلفة وأبلغ عن المتوسط والانحراف المعياري لأفضل لياقة.
هل يمكن لـ GWO التعامل مع المتغيرات المنفصلة أو الثنائية؟
ليس بطبيعته. معادلات تحديث الموضع القياسية معرفة للمساحات المستمرة ذات القيم الحقيقية. توجد متغيرات ثنائية أو منفصلة في الأدبيات — عادةً ما تستخدم دالة تحويل لربط المواقع المستمرة بالقرارات الثنائية — ولكن هذه امتدادات وليست الخوارزمية الأصلية.
كيف يقارن GWO بتحسين سرب الجسيمات؟
كلاهما من طرق ذكاء السرب بتكلفة حسابية مماثلة. يستخدم GWO ثلاثة قادة (ألفا، بيتا، دلتا) بدلاً من أفضل حل عالمي واحد وأفضل حل شخصي لكل جسيم، مما يميل إلى الحفاظ على التنوع لفترة أطول. وجد ميرجليلي وآخرون (2014) أن GWO تنافسي أو متفوق على PSO في مجموعتهم المعيارية، لكن الأداء يعتمد على المشكلة؛ لا تهيمن أي من الطريقتين عالميًا.
ماذا تتحكم المعلمة a، وهل أحتاج إلى ضبطها؟
تتناقص المعلمة a خطيًا من 2 إلى 0 على مدار التشغيل وتتحكم فيما إذا كانت الذئاب تستكشف (a عالية) أو تستغل (a منخفضة). هذا الجدول الزمني ثابت بواسطة الخوارزمية — لا تقوم بضبط a مباشرة. الرافعتان الوحيدتان اللتان تتحكم فيهما هما حجم السكان والعدد الإجمالي للتكرارات، واللتان تحددان معًا مدى سرعة أو بطء انخفاض a.
طرق ذات صلة
المصادر
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.
افتح مرجع DOIتم النسخ.Faris, H., Aljarah, I., Al-Betar, M. A., & Mirjalili, S. (2018). Grey Wolf Optimizer: A Review of Recent Variants and Applications. Neural Computing and Applications, 30(2), 413-435.
افتح مرجع DOIتم النسخ.