Otimizador Lobo Cinzento — GWO
- Proposto por
- Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
- Ano
- 2014
- Tipo
- Swarm-intelligence metaheuristic
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
O Grey Wolf Optimizer (GWO), ou Otimizador Lobo Cinzento, é uma meta-heurística de inteligência de enxame introduzida por Mirjalili, Mirjalili e Lewis em 2014 que modela a hierarquia social e o comportamento de caça cooperativa dos lobos-cinzentos.
Uma população de soluções candidatas é dividida em quatro níveis de liderança — alfa, beta, delta e ômega — e as três melhores soluções em cada iteração guiam todo o enxame em direção a regiões cada vez melhores do espaço de busca.
A intuição por trás do método
Imagine uma matilha de lobos cinzentos perseguindo uma presa em terreno denso. O lobo alfa toma a decisão final, os lobos beta e delta aconselham, e o resto da matilha se reposiciona em resposta aos três líderes. O GWO copia isso exatamente: as três soluções mais aptas encontradas até agora atuam como faróis de navegação, e cada outro candidato ajusta sua posição como uma combinação ponderada das direções apontadas por esses três faróis. Um único parâmetro, a, é gradualmente reduzido de 2 para 0 à medida que as iterações progridem, de modo que a matilha primeiro se espalha amplamente para explorar e depois aperta seu círculo para explorar a melhor região encontrada.
História
O GWO foi proposto por Seyedali Mirjalili, Seyed Mohammad Mirjalili e Andrew Lewis em 2014 na revista Advances in Engineering Software. O algoritmo foi inspirado por observações ecológicas da estrutura de matilhas de lobos cinzentos: uma hierarquia social estrita (alfa, beta, delta, ômega) e a estratégia de caça em três fases de cercar, assediar e atacar a presa. Mirjalili et al. compararam o GWO com o Particle Swarm Optimization, Gravitational Search Algorithm e Differential Evolution em 29 funções de teste e vários problemas de projeto de engenharia, relatando resultados competitivos ou superiores. Desde 2014, o algoritmo gerou uma literatura de acompanhamento substancial: Faris et al. (2018) revisaram mais de uma década de variantes — extensões binárias, multiobjetivo, caóticas e híbridas — e documentaram aplicações em seleção de características, sistemas de energia, segmentação de imagens e escalonamento.
Quando usar
O GWO se adequa a problemas de otimização contínua onde a função objetivo é cara de avaliar analiticamente ou é uma caixa-preta. Ele não requer informação de gradiente nem suposições distribucionais sobre os dados. O método é adequado para tarefas de projeto de engenharia, ajuste de parâmetros e seleção de características. Como é baseado em população, um tamanho mínimo de população de aproximadamente 10–30 agentes é aconselhável; populações muito pequenas reduzem a diversidade e aumentam o risco de convergência prematura. O GWO não é apropriado para problemas discretos ou combinatórios sem modificação, nem para problemas onde uma solução matemática exata existe.
Limitações e considerações
- A convergência não é garantida para o ótimo global; a qualidade depende da diversidade da população e da contagem de iterações.
- Não é nativamente adequado para espaços de busca discretos, binários ou combinatórios sem codificação personalizada.
- Como a maioria dos métodos de enxame, pode estagnar se os três líderes se agruparem prematuramente em uma região subótima.
- Escala mal para espaços de busca de alta dimensionalidade em comparação com solucionadores baseados em gradiente quando o objetivo é suave.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Livre de gradiente: funciona em qualquer função objetivo que retorne um escalar, incluindo simulações e modelos de caixa-preta.
- Parametrização mínima: apenas o tamanho da população e a contagem de iterações precisam ser definidos; a diminui automaticamente.
- Equilibra exploração e explotação através de um único parâmetro de decaimento linear, tornando o mecanismo de equilíbrio transparente.
- Desempenho competitivo em benchmarks de projeto de engenharia com baixa complexidade de implementação (nível de dificuldade 2 de 5).
Aplicações
- Otimização de projeto de engenharia: minimização de peso estrutural, projeto de antena, estimação de parâmetros de sistemas de energia.
- Ajuste de hiperparâmetros de aprendizado de máquina e seleção de características para tarefas de classificação.
- Sistemas de energia: despacho ótimo em redes elétricas e alocação de unidades de energia renovável.
- Segmentação de imagens e análise de imagens médicas via otimização de limiarização.
- Problemas de escalonamento e alocação de recursos com relaxamento contínuo.
Como funciona
Como funciona
Uma população de soluções candidatas é gerada uniformemente ao acaso dentro dos limites inferior e superior definidos do espaço de busca. O tamanho da população e o número máximo de iterações são os únicos dois parâmetros que devem ser definidos antes do início da execução.
Cada solução candidata é avaliada pela função objetivo. Como o GWO não utiliza gradientes, a função pode ser uma caixa-preta — ela só precisa retornar um valor escalar de aptidão para cada posição candidata.
Os candidatos são ordenados por aptidão. A melhor solução é designada alfa (α), a segunda melhor beta (β) e a terceira melhor delta (δ). Todos os candidatos restantes são lobos ômega (ω). Esses papéis são reatribuídos a cada iteração, de modo que os rótulos sempre acompanhem as três melhores posições atuais.
Todo lobo ômega atualiza sua posição calculando três vetores de distância — um em direção a cada um de α, β e δ — e movendo-se para o centróide das três posições alvo resultantes. O parâmetro de controle a diminui linearmente de 2 para 0 ao longo da execução: valores grandes de a impulsionam a exploração (candidatos podem ultrapassar e buscar longe dos líderes), valores pequenos impulsionam a explotação (candidatos convergem estreitamente em torno dos líderes).
A etapa de caça é repetida até que o número máximo de iterações seja atingido ou um critério de parada seja satisfeito. A posição do lobo alfa na terminação é retornada como a melhor solução encontrada.
Erros comuns
- Definir o tamanho da população muito pequeno (abaixo de cerca de 10) colapsa a diversidade precocemente; os três líderes convergem prematuramente e a execução explora apenas uma pequena região.
- Executar poucas iterações resulta em um ciclo de caça insuficiente; uma execução que termina enquanto a ainda é grande não entrou na fase de explotação.
- Aplicar GWO a problemas com variáveis inteiras ou categóricas sem um esquema de discretização produz atualizações de posição sem sentido.
- Ignorar a escala dos limites do espaço de busca — limites muito amplos combinados com uma população pequena deixam a maior parte do espaço não amostrada nas iterações iniciais.
Perguntas frequentes
Como escolho o tamanho da população e a contagem de iterações?
Um ponto de partida comum é 30 agentes e 200–500 iterações para problemas de dimensionalidade moderada (até cerca de 30 variáveis). Aumente o tamanho da população e as iterações à medida que a dimensionalidade do problema cresce. Como o GWO é estocástico, execute-o pelo menos 20–30 vezes com diferentes sementes aleatórias e relate a média e o desvio padrão da melhor aptidão.
O GWO pode lidar com variáveis discretas ou binárias?
Não nativamente. As equações padrão de atualização de posição são definidas para espaços contínuos de valores reais. Variantes binárias ou discretas existem na literatura — tipicamente usando uma função de transferência para mapear posições contínuas para decisões binárias — mas estas são extensões em vez do algoritmo original.
Como o GWO se compara ao Particle Swarm Optimization?
Ambos são métodos de inteligência de enxame com custo computacional semelhante. O GWO usa três líderes (alfa, beta, delta) em vez de um único melhor global e o melhor pessoal de cada partícula, o que tende a preservar a diversidade por mais tempo. Mirjalili et al. (2014) acharam o GWO competitivo ou superior ao PSO em seu conjunto de benchmarks, mas o desempenho depende do problema; nenhum método domina universalmente.
O que o parâmetro a controla, e preciso ajustá-lo?
O parâmetro a diminui linearmente de 2 para 0 ao longo da execução e controla se os lobos fazem exploração (a alto) ou explotação (a baixo). Essa programação é fixa pelo algoritmo — você não ajusta a diretamente. As únicas alavancas que você controla são o tamanho da população e o número total de iterações, que juntos determinam quão lenta ou rapidamente a diminui.
Métodos relacionados
Fontes
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.
Abrir referência DOICopiado.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 referência DOICopiado.