Grey Wolf Optimizer — GWO
- 提唱者
- Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
- 年
- 2014
- 種類
- Swarm-intelligence metaheuristic
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
Grey Wolf Optimizer (GWO) は、2014年に Mirjalili, Mirjalili, および Lewis によって導入された、グレイウルフの社会階層と協調的な狩猟行動をモデル化したスワームインテリジェンスのメタヒューリスティック手法である。候補解の集団は、アルファ、ベータ、デルタ、オメガの4つのリーダーシップランクに分割され、各イテレーションで最も優れた3つの解が、探索空間のより良い領域へと群れ全体を導く。
手法の背後にある直感
グレイウルフの群れが密集した地形を獲物にしつこく追跡する様子を想像してほしい。アルファウルフが最終的な決定を下し、ベータとデルタのウルフが助言し、残りの群れは3匹のリーダーすべてに応答して体勢を立て直す。GWOはこれを正確に模倣する。これまでに発見された最も優れた3つの解がナビゲーションビーコンとして機能し、他のすべての候補は、それら3つのビーコンが指し示す方向の加重平均として位置を調整する。パラメータaは、イテレーションが進むにつれて2から0へと徐々に減少するため、群れはまず広範囲を探索し、次に発見された最良の領域を絞り込む。
歴史学
GWOは、Seyedali Mirjalili、Seyed Mohammad Mirjalili、およびAndrew Lewisによって2014年にジャーナルAdvances in Engineering Softwareで提案された。このアルゴリズムは、グレイウルフの群れの構造(アルファ、ベータ、デルタ、オメガという厳格な社会階層)と、獲物を囲み、追い詰め、攻撃するという3段階の狩猟戦略から着想を得た。Mirjaliliらは、GWOをParticle Swarm Optimization、Gravitational Search Algorithm、およびDifferential Evolutionと比較して、29のテスト関数といくつかの工学設計問題でベンチマークし、競争力のある、またはそれ以上の結果を報告した。2014年以降、このアルゴリズムは多くの後続研究を生み出している。Farisら(2018)は、10年以上にわたるバリアント(バイナリ、多目的、カオス、ハイブリッド拡張)を調査し、特徴選択、電力システム、画像セグメンテーション、スケジューリングへの応用を記録した。
使うべき場面
GWOは、目的関数の解析的評価が高価であるか、またはブラックボックスである連続最適化問題に適している。勾配情報やデータの分布に関する仮定を必要としない。この手法は、工学設計、パラメータチューニング、および特徴選択タスクに適している。集団ベースであるため、約10〜30エージェントの最小集団サイズが推奨される。非常に小さい集団は多様性を低下させ、早期収束のリスクを高める。GWOは、変更なしでは離散または組み合わせ問題には適さず、正確な数学的解が存在する問題にも適さない。
限界と注意点
- 大域的最適解への収束は保証されない。品質は集団の多様性とイテレーション数に依存する。
- カスタムエンコーディングなしでは、離散、バイナリ、または組み合わせ探索空間にネイティブには適していない。
- ほとんどのスワーム手法と同様に、3匹のリーダーが早期に最適でない領域に集まると停滞する可能性がある。
- 目的関数が滑らかな場合、勾配ベースソルバーと比較して、非常に高次元の探索空間へのスケーリングが悪い。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 勾配フリー:スカラー値を返す任意の目的関数(シミュレーションやブラックボックスモデルを含む)で機能する。
- 最小限のパラメータ設定:集団サイズとイテレーション数のみを設定する必要があり、aは自動的に減少する。
- 単一の線形減衰パラメータを通じて探索と活用のバランスを取り、バランスメカニズムを透明にする。
- 実装の複雑さが低い(難易度レベル2/5)工学設計ベンチマークにおける競争力のあるパフォーマンス。
応用
- 工学設計最適化:構造重量の最小化、アンテナ設計、電力システムパラメータ推定。
- 機械学習ハイパーパラメータチューニングおよび分類タスクの特徴選択。
- エネルギーシステム:電力網における最適ディスパッチと再生可能エネルギーユニットの配置。
- 閾値最適化による画像セグメンテーションおよび医用画像解析。
- 連続緩和を用いたスケジューリングおよびリソース割り当て問題。
使い方
使い方
候補解の集団は、探索空間の定義された下限と上限の間で一様にランダムに生成される。集団サイズと最大イテレーション数は、実行前に設定する必要がある唯一の2つのパラメータである。
各候補解は目的関数によって評価される。GWOは勾配フリーであるため、目的関数はブラックボックスであってもよい。各候補位置に対してスカラーフィットネス値を返すだけでよい。
候補はフィットネスによってソートされる。最良の解がアルファ(α)、2番目に優れた解がベータ(β)、3番目に優れた解がデルタ(δ)として指定される。残りのすべての候補はオメガ(ω)ハイエナである。これらの役割は毎イテレーション再割り当てされるため、ラベルは常に現在の3つの最良の位置を追跡する。
すべてのオメガハイエナは、α、β、δそれぞれへの3つの距離ベクトルを計算し、3つの結果のターゲット位置の重心に移動することによって位置を更新する。制御パラメータaは、実行全体で2から0まで線形に減少し、大きい値は探索(候補はリーダーから遠く離れた場所を探索できる)を促進し、小さい値は活用(候補はリーダーの周りに厳密に収束する)を促進する。
探索ステップは、最大イテレーション数に達するか、停止基準が満たされるまで繰り返される。終了時のアルファハイエナの位置が、発見された最良の解として返される。
よくある落とし穴
- 集団サイズを小さすぎる(約10未満)と、早期に多様性が失われ、3匹のリーダーが早期に収束し、実行が狭い領域しか探索しない。
- イテレーション数が少なすぎると、狩猟サイクルが不十分になる。aがまだ大きい間に終了した実行は、活用フェーズに入っていない。
- 離散化スキームなしで整数またはカテゴリ変数を持つ問題にGWOを適用すると、無意味な位置更新が発生する。
- 探索範囲のスケールを無視する。非常に広い範囲と小さい集団の組み合わせは、初期イテレーションでほとんどの空間がサンプリングされないままになる。
よくある質問
集団サイズとイテレーション数をどのように選択しますか?
一般的な開始点としては、中程度の次元の問題(約30変数まで)に対して30エージェントと200〜500イテレーションが挙げられる。問題の次元が増加するにつれて、集団サイズとイテレーション数を増やす。GWOは確率的であるため、異なるランダムシードで少なくとも20〜30回実行し、最良フィットネスの平均と標準偏差を報告すること。
GWOは離散変数またはバイナリ変数を扱えますか?
ネイティブには扱えない。標準の位置更新方程式は、連続実数値空間に対して定義されている。文献にはバイナリまたは離散のバリアントが存在する(通常、連続位置をバイナリ決定にマッピングする転送関数を使用する)が、これらは元のアルゴリズムというよりは拡張である。
GWOはParticle Swarm Optimizationと比較してどうですか?
どちらも同様の計算コストを持つスワームインテリジェンス手法である。GWOは、単一のグローバルベストと各パーティクルのパーソナルベストではなく、3匹のリーダー(アルファ、ベータ、デルタ)を使用するため、多様性をより長く維持する傾向がある。Mirjaliliら(2014)は、ベンチマークセットにおいてGWOがPSOと比較して競争力があるか、または優れていると見出した。しかし、パフォーマンスは問題に依存し、どちらの手法も普遍的に支配的ではない。
パラメータaは何を制御し、調整する必要がありますか?
パラメータaは実行中に2から0まで線形に減少し、ハイエナが探索するか(aが大きい場合)活用するか(aが小さい場合)を制御する。このスケジュールはアルゴリズムによって固定されており、aを直接調整する必要はない。制御できるのは集団サイズと総イテレーション数のみであり、これらが組み合わさってaがどれだけゆっくりまたは速く低下するかを決定する。
関連する手法
参考文献
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.
DOI 文献を開くコピーしました。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.
DOI 文献を開くコピーしました。