Saltar al contenido
Volver a los resultados

Grey Wolf Optimizer — GWO

Propuesto por
Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
Año
2014
Tipo
Swarm-intelligence metaheuristic

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El optimizador de lobos grises (GWO, por sus siglas en inglés) es una metaheurística de inteligencia de enjambre introducida por Mirjalili, Mirjalili y Lewis en 2014 que modela la jerarquía social y el comportamiento de caza cooperativa de los lobos grises.

Una población de soluciones candidatas se divide en cuatro rangos de liderazgo —alfa, beta, delta y omega— y las tres mejores soluciones en cada iteración guían a todo el enjambre hacia regiones cada vez mejores del espacio de búsqueda.

La intuición detrás del método

Imagine una manada de lobos grises acechando a su presa a través de un terreno denso. El lobo alfa toma la decisión final, los lobos beta y delta aconsejan, y el resto de la manada se reposiciona en respuesta a los tres líderes. GWO copia esto exactamente: las tres soluciones más aptas encontradas hasta ahora actúan como balizas de navegación, y cada otro candidato ajusta su posición como una mezcla ponderada de las direcciones a las que apuntan esas tres balizas. Un único parámetro, a, se reduce gradualmente de 2 a 0 a medida que avanzan las iteraciones, de modo que la manada primero se extiende ampliamente para explorar y luego cierra su círculo para explotar la mejor región encontrada.

Historia

GWO fue propuesto por Seyedali Mirjalili, Seyed Mohammad Mirjalili y Andrew Lewis en 2014 en la revista Advances in Engineering Software. El algoritmo se inspiró en observaciones ecológicas de la estructura de la manada de lobos grises: una estricta jerarquía social (alfa, beta, delta, omega) y la estrategia de caza de tres fases de rodear, acosar y atacar a la presa. Mirjalili et al. compararon GWO con la optimización por enjambre de partículas (PSO), el algoritmo de búsqueda gravitacional y la evolución diferencial en 29 funciones de prueba y varios problemas de diseño de ingeniería, informando resultados competitivos o superiores. Desde 2014, el algoritmo ha generado una sustancial literatura de seguimiento: Faris et al. (2018) encuestaron más de una década de variantes —extensiones binarias, multiobjetivo, caóticas e híbridas— y documentaron aplicaciones en selección de características, sistemas de energía, segmentación de imágenes y programación.

Cuándo usarlo

GWO se adapta a problemas de optimización continua donde la función objetivo es costosa de evaluar analíticamente o es una caja negra. No requiere información de gradiente ni suposiciones distribucionales sobre los datos. El método es adecuado para tareas de diseño de ingeniería, ajuste de parámetros y selección de características. Debido a que se basa en la población, es aconsejable un tamaño de población mínimo de aproximadamente 10 a 30 agentes; poblaciones muy pequeñas reducen la diversidad y aumentan el riesgo de convergencia prematura. GWO no es apropiado para problemas discretos o combinatorios sin modificación, ni para problemas donde existe una solución matemática exacta.

Limitaciones y consideraciones

  • No se garantiza la convergencia al óptimo global; la calidad depende de la diversidad de la población y del número de iteraciones.
  • No es adecuado de forma nativa para espacios de búsqueda discretos, binarios o combinatorios sin una codificación personalizada.
  • Como la mayoría de los métodos de enjambre, puede estancarse si los tres líderes se agrupan prematuramente en una región subóptima.
  • Escala mal a espacios de búsqueda de muy alta dimensión en comparación con los solucionadores basados en gradientes cuando el objetivo es suave.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Sin gradiente: funciona en cualquier función objetivo que devuelva un escalar, incluidas simulaciones y modelos de caja negra.
  • Parametrización mínima: solo es necesario establecer el tamaño de la población y el número de iteraciones; a disminuye automáticamente.
  • Equilibra la exploración y la explotación a través de un único parámetro que decae linealmente, lo que hace que el mecanismo de equilibrio sea transparente.
  • Rendimiento competitivo en puntos de referencia de diseño de ingeniería con baja complejidad de implementación (nivel de dificultad 2 de 5).

Aplicaciones

  • Optimización del diseño de ingeniería: minimización del peso estructural, diseño de antenas, estimación de parámetros de sistemas de energía.
  • Ajuste de hiperparámetros de aprendizaje automático y selección de características para tareas de clasificación.
  • Sistemas de energía: despacho óptimo en redes eléctricas y ubicación de unidades de energía renovable.
  • Segmentación de imágenes y análisis de imágenes médicas mediante optimización de umbrales.
  • Problemas de programación y asignación de recursos con una relajación continua.

Cómo funciona

Cómo funciona

1

Se genera una población de soluciones candidatas de forma aleatoria uniforme dentro de los límites inferior y superior definidos del espacio de búsqueda. El tamaño de la población y el número máximo de iteraciones son los únicos dos parámetros que deben establecerse antes de que comience la ejecución.

2

Cada solución candidata es evaluada por la función objetivo. Debido a que GWO no tiene gradiente, la función puede ser una caja negra —solo necesita devolver un valor escalar de aptitud para cada posición candidata.

3

Los candidatos se clasifican por aptitud. La mejor solución se designa alfa (α), la segunda mejor beta (β) y la tercera mejor delta (δ). Todos los candidatos restantes son lobos omega (ω). Estos roles se reasignan en cada iteración para que las etiquetas siempre sigan las tres mejores posiciones actuales.

4

Cada lobo omega actualiza su posición calculando tres vectores de distancia —uno hacia cada uno de α, β y δ— y moviéndose al centroide de las tres posiciones objetivo resultantes. El parámetro de control a disminuye linealmente de 2 a 0 a lo largo de la ejecución: los valores grandes de a impulsan la exploración (los candidatos pueden sobrepasar y buscar lejos de los líderes), los valores pequeños impulsan la explotación (los candidatos convergen estrechamente alrededor de los líderes).

5

El paso de caza se repite hasta que se alcanza el número máximo de iteraciones o se cumple un criterio de parada. La posición del lobo alfa al finalizar se devuelve como la mejor solución encontrada.

Errores comunes

  • Establecer un tamaño de población demasiado pequeño (menos de 10 aproximadamente) colapsa la diversidad tempranamente; los tres líderes convergen prematuramente y la ejecución explora solo una pequeña región.
  • Ejecutar muy pocas iteraciones da un ciclo de caza insuficiente; una ejecución que termina mientras a todavía es grande no ha entrado en la fase de explotación.
  • Aplicar GWO a problemas con variables enteras o categóricas sin un esquema de discretización produce actualizaciones de posición sin sentido.
  • Ignorar la escala de los límites de búsqueda —límites muy amplios combinados con una población pequeña dejan la mayor parte del espacio sin muestrear en las primeras iteraciones.

Preguntas frecuentes

¿Cómo elijo el tamaño de la población y el número de iteraciones?

Un punto de partida común es de 30 agentes y 200-500 iteraciones para problemas de dimensión moderada (hasta aproximadamente 30 variables). Aumente el tamaño de la población y las iteraciones a medida que crece la dimensionalidad del problema. Debido a que GWO es estocástico, ejecútelo al menos 20-30 veces con diferentes semillas aleatorias e informe la media y la desviación estándar de la mejor aptitud.

¿Puede GWO manejar variables discretas o binarias?

No de forma nativa. Las ecuaciones estándar de actualización de posición se definen para espacios continuos de valores reales. Existen variantes binarias o discretas en la literatura —típicamente usando una función de transferencia para mapear posiciones continuas a decisiones binarias— pero estas son extensiones en lugar del algoritmo original.

¿Cómo se compara GWO con la optimización por enjambre de partículas?

Ambos son métodos de inteligencia de enjambre con un costo computacional similar. GWO utiliza tres líderes (alfa, beta, delta) en lugar de un único mejor global y el mejor personal de cada partícula, lo que tiende a preservar la diversidad por más tiempo. Mirjalili et al. (2014) encontraron que GWO era competitivo o superior a PSO en su conjunto de referencia, pero el rendimiento depende del problema; ninguno de los métodos domina universalmente.

¿Qué controla el parámetro a y necesito ajustarlo?

El parámetro a disminuye linealmente de 2 a 0 a lo largo de la ejecución y controla si los lobos exploran (a alto) o explotan (a bajo). Este cronograma está fijado por el algoritmo —usted no ajusta a directamente. Las únicas palancas que controla son el tamaño de la población y el número total de iteraciones, que juntos determinan qué tan lenta o rápidamente disminuye a.

Métodos relacionados

Fuentes

  1. Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.

    Abrir referencia DOI
    Copiado.
  2. 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.

    Abrir referencia DOI
    Copiado.