Pengoptimal Serigala Abu-abu — GWO
- Diperkenalkan oleh
- Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
- Tahun
- 2014
- Jenis
- Swarm-intelligence metaheuristic
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pengoptimal Serigala Abu-abu (GWO) adalah metaheuristik kecerdasan kawanan yang diperkenalkan oleh Mirjalili, Mirjalili, dan Lewis pada tahun 2014 yang memodelkan hierarki sosial dan perilaku berburu kooperatif serigala abu-abu.
Populasi solusi kandidat dibagi menjadi empat tingkatan kepemimpinan — alpha, beta, delta, dan omega — dan tiga solusi terbaik di setiap iterasi memandu seluruh kawanan menuju wilayah ruang pencarian yang semakin baik.
Intuisi di balik metode
Bayangkan sekawanan serigala abu-abu mengintai mangsa melalui medan yang lebat. Serigala alpha membuat keputusan akhir, serigala beta dan delta memberi nasihat, dan sisa kawanan memposisikan ulang dirinya sebagai respons terhadap ketiga pemimpin tersebut. GWO meniru ini persis: tiga solusi terbugar yang ditemukan sejauh ini bertindak sebagai suar navigasi, dan setiap kandidat lain menyesuaikan posisinya sebagai campuran berbobot dari arah yang ditunjukkan oleh ketiga suar tersebut. Satu parameter, a, secara bertahap dikurangi dari 2 menjadi 0 seiring kemajuan iterasi, sehingga kawanan pertama kali menyebar luas untuk menjelajah dan kemudian memperketat lingkarannya untuk mengeksploitasi wilayah terbaik yang ditemukan.
Sejarah
GWO diusulkan oleh Seyedali Mirjalili, Seyed Mohammad Mirjalili, dan Andrew Lewis pada tahun 2014 di jurnal Advances in Engineering Software. Algoritma ini mengambil inspirasi dari pengamatan ekologis tentang struktur kawanan serigala abu-abu: hierarki sosial yang ketat (alpha, beta, delta, omega) dan strategi perburuan tiga fase yaitu mengepung, mengganggu, dan menyerang mangsa. Mirjalili et al. menguji GWO terhadap Particle Swarm Optimization, Gravitational Search Algorithm, dan Differential Evolution pada 29 fungsi uji dan beberapa masalah desain teknik, melaporkan hasil yang kompetitif atau superior. Sejak 2014 algoritma ini telah menghasilkan literatur lanjutan yang substansial: Faris et al. (2018) meninjau lebih dari satu dekade varian — ekstensi biner, multi-objektif, kaotik, dan hibrida — dan mendokumentasikan aplikasi dalam pemilihan fitur, sistem tenaga, segmentasi gambar, dan penjadwalan.
Kapan digunakan
GWO cocok untuk masalah optimasi kontinu di mana fungsi objektif mahal untuk dievaluasi secara analitis atau merupakan kotak hitam. Ia tidak memerlukan informasi gradien dan tidak ada asumsi distribusi tentang data. Metode ini cocok untuk desain teknik, penyetelan parameter, dan tugas pemilihan fitur. Karena berbasis populasi, ukuran populasi minimum sekitar 10–30 agen disarankan; populasi yang sangat kecil mengurangi keragaman dan meningkatkan risiko konvergensi prematur. GWO tidak cocok untuk masalah diskrit atau kombinatorial tanpa modifikasi, juga tidak untuk masalah di mana solusi matematis yang tepat ada.
Batasan dan pertimbangan
- Konvergensi tidak dijamin ke optimum global; kualitas bergantung pada keragaman populasi dan jumlah iterasi.
- Tidak secara native cocok untuk ruang pencarian diskrit, biner, atau kombinatorial tanpa pengkodean kustom.
- Seperti kebanyakan metode kawanan, ia dapat stagnan jika ketiga pemimpin mengelompok secara prematur di wilayah suboptimal.
- Skalabilitas buruk ke ruang pencarian berdimensi sangat tinggi dibandingkan dengan pemecah berbasis gradien ketika objektifnya mulus.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Bebas gradien: bekerja pada fungsi objektif apa pun yang mengembalikan skalar, termasuk simulasi dan model kotak hitam.
- Parameterisasi minimal: hanya ukuran populasi dan jumlah iterasi yang perlu diatur; a menurun secara otomatis.
- Menyeimbangkan eksplorasi dan eksploitasi melalui satu parameter yang meluruh secara linier, membuat mekanisme keseimbangan menjadi transparan.
- Kinerja kompetitif pada tolok ukur desain teknik dengan kompleksitas implementasi rendah (tingkat kesulitan 2 dari 5).
Penerapan
- Optimasi desain teknik: meminimalkan berat struktural, desain antena, estimasi parameter sistem tenaga.
- Penyetelan hyperparameter pembelajaran mesin dan pemilihan fitur untuk tugas klasifikasi.
- Sistem energi: pengiriman optimal di jaringan listrik dan penempatan unit energi terbarukan.
- Segmentasi gambar dan analisis gambar medis melalui optimasi thresholding.
- Masalah penjadwalan dan alokasi sumber daya dengan relaksasi kontinu.
Cara kerjanya
Cara kerjanya
Populasi solusi kandidat dihasilkan secara seragam secara acak dalam batas bawah dan atas ruang pencarian yang ditentukan. Ukuran populasi dan jumlah maksimum iterasi adalah dua parameter yang harus diatur sebelum eksekusi dimulai.
Setiap solusi kandidat dinilai oleh fungsi objektif. Karena GWO bebas gradien, fungsi tersebut dapat berupa kotak hitam — ia hanya perlu mengembalikan nilai kebugaran skalar untuk setiap posisi kandidat.
Kandidat diurutkan berdasarkan kebugaran. Solusi terbaik ditetapkan sebagai alpha (α), yang terbaik kedua sebagai beta (β), dan yang terbaik ketiga sebagai delta (δ). Semua kandidat yang tersisa adalah serigala omega (ω). Peran ini ditetapkan ulang setiap iterasi sehingga label selalu melacak tiga posisi terbaik saat ini.
Setiap serigala omega memperbarui posisinya dengan menghitung tiga vektor jarak — satu ke arah masing-masing α, β, dan δ — dan bergerak ke sentroid dari tiga posisi target yang dihasilkan. Parameter kontrol a menurun secara linier dari 2 ke 0 selama eksekusi: nilai a yang besar mendorong eksplorasi (kandidat dapat melampaui dan mencari jauh dari pemimpin), nilai kecil mendorong eksploitasi (kandidat konvergen ketat di sekitar pemimpin).
Langkah perburuan diulang sampai jumlah maksimum iterasi tercapai atau kriteria penghentian terpenuhi. Posisi serigala alpha pada saat penghentian dikembalikan sebagai solusi terbaik yang ditemukan.
Kesalahan umum
- Pengaturan ukuran populasi terlalu kecil (di bawah sekitar 10) merusak keragaman lebih awal; ketiga pemimpin konvergen secara prematur dan eksekusi hanya menjelajahi wilayah kecil.
- Menjalankan iterasi yang terlalu sedikit memberikan siklus perburuan yang tidak mencukupi; eksekusi yang berhenti saat a masih besar belum memasuki fase eksploitasi.
- Menerapkan GWO pada masalah dengan variabel integer atau kategorikal tanpa skema diskretisasi menghasilkan pembaruan posisi yang tidak berarti.
- Mengabaikan skala batas pencarian — batas yang sangat lebar dikombinasikan dengan populasi kecil membuat sebagian besar ruang tidak tersampel pada iterasi awal.
Pertanyaan yang sering diajukan
Bagaimana cara memilih ukuran populasi dan jumlah iterasi?
Titik awal yang umum adalah 30 agen dan 200–500 iterasi untuk masalah berdimensi sedang (hingga sekitar 30 variabel). Tingkatkan ukuran populasi dan iterasi seiring bertambahnya dimensi masalah. Karena GWO bersifat stokastik, jalankan setidaknya 20–30 kali dengan benih acak yang berbeda dan laporkan rata-rata dan standar deviasi dari kebugaran terbaik.
Bisakah GWO menangani variabel diskrit atau biner?
Tidak secara native. Persamaan pembaruan posisi standar didefinisikan untuk ruang bernilai riil kontinu. Varian biner atau diskrit ada dalam literatur — biasanya menggunakan fungsi transfer untuk memetakan posisi kontinu ke keputusan biner — tetapi ini adalah ekstensi daripada algoritma asli.
Bagaimana GWO dibandingkan dengan Particle Swarm Optimization?
Keduanya adalah metode kecerdasan kawanan dengan biaya komputasi yang serupa. GWO menggunakan tiga pemimpin (alpha, beta, delta) daripada satu global terbaik dan setiap personal best partikel, yang cenderung mempertahankan keragaman lebih lama. Mirjalili et al. (2014) menemukan GWO kompetitif atau superior dibandingkan PSO pada set tolok ukur mereka, tetapi kinerja bergantung pada masalah; tidak ada metode yang mendominasi secara universal.
Apa yang dikontrol oleh parameter a, dan apakah saya perlu menyetelnya?
Parameter a menurun secara linier dari 2 ke 0 selama eksekusi dan mengontrol apakah serigala menjelajah (a tinggi) atau mengeksploitasi (a rendah). Jadwal ini ditetapkan oleh algoritma — Anda tidak menyetel a secara langsung. Satu-satunya tuas yang Anda kendalikan adalah ukuran populasi dan jumlah total iterasi, yang bersama-sama menentukan seberapa lambat atau cepat a turun.
Metode terkait
Sumber
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.
Buka referensi DOIDisalin.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.
Buka referensi DOIDisalin.