Grey Wolf Optimizer — GWO
- Ortaya koyan
- Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
- Yıl
- 2014
- Tür
- Swarm-intelligence metaheuristic
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Grey Wolf Optimizer (GWO), Mirjalili, Mirjalili ve Lewis tarafından 2014'te tanıtılan ve gri kurtların sosyal hiyerarşisini ve işbirlikçi avlanma davranışlarını modelleyen bir sürü zekası meta-sezgiselidir.
Aday çözümler popülasyonu dört liderlik rütbesine — alfa, beta, delta ve omega — ayrılır ve her iterasyondaki en iyi üç çözüm, tüm sürüyü arama uzayının giderek daha iyi bölgelerine doğru yönlendirir.
Yöntemin mantığı
Yoğun arazide avını izleyen bir gri kurt sürüsünü hayal edin. Alfa kurt son kararı verir, beta ve delta kurtları tavsiye verir ve sürünün geri kalanı üç liderin tümüne yanıt olarak konumunu yeniden ayarlar. GWO bunu tam olarak kopyalar: şimdiye kadar bulunan en uygun üç çözüm navigasyon işaretleri olarak görev yapar ve diğer her aday, o üç işaretin gösterdiği yönlerin ağırlıklı bir karışımı olarak konumunu ayarlar. Tek bir parametre olan a, iterasyonlar ilerledikçe 2'den 0'a doğru kademeli olarak azaltılır, böylece sürü önce keşfetmek için genişçe yayılır ve ardından bulunan en iyi bölgeyi sömürmek için çemberini daraltır.
Tarih
GWO, 2014 yılında Seyedali Mirjalili, Seyed Mohammad Mirjalili ve Andrew Lewis tarafından Advances in Engineering Software dergisinde önerilmiştir. Algoritma, gri kurt sürüsü yapısının ekolojik gözlemlerinden ilham almıştır: katı bir sosyal hiyerarşi (alfa, beta, delta, omega) ve avı çevreleme, taciz etme ve saldırma stratejisinin üç aşamalı avlanma stratejisi. Mirjalili ve arkadaşları, GWO'yu 29 test fonksiyonu ve çeşitli mühendislik tasarım problemleri üzerinde Parçacık Sürü Optimizasyonu, Yerçekimi Arama Algoritması ve Diferansiyel Evrim ile karşılaştırmış ve rekabetçi veya üstün sonuçlar bildirmişlerdir. 2014'ten bu yana algoritma önemli bir takip literatürü üretmiştir: Faris ve arkadaşları (2018), on yıldan fazla süren varyantları — ikili, çok amaçlı, kaotik ve hibrit uzantıları — incelemiş ve özellik seçimi, güç sistemleri, görüntü segmentasyonu ve zamanlama alanlarındaki uygulamaları belgelemiştir.
Ne zaman kullanılır?
GWO, amaç fonksiyonunun analitik olarak değerlendirilmesinin pahalı olduğu veya kara kutu olduğu sürekli optimizasyon problemleri için uygundur. Gradyan bilgisi veya veriler hakkında herhangi bir dağılımsal varsayım gerektirmez. Yöntem mühendislik tasarımı, parametre ayarlama ve özellik seçimi görevleri için uygundur. Popülasyon tabanlı olduğu için, yaklaşık 10-30 ajanlık minimum bir popülasyon büyüklüğü önerilir; çok küçük popülasyonlar çeşitliliği azaltır ve erken yakınsama riskini artırır. GWO, modifikasyon olmaksızın ayrık veya kombinatoryal problemler için uygun değildir ve kesin bir matematiksel çözümün var olduğu problemler için de uygun değildir.
Sınırlar ve dikkat edilmesi gerekenler
- Yakınsama, küresel optimuma ulaşmayı garanti etmez; kalite, popülasyon çeşitliliğine ve iterasyon sayısına bağlıdır.
- Özel kodlama olmadan ayrık, ikili veya kombinatoryal arama uzaylarına doğal olarak uygun değildir.
- Çoğu sürü yöntemi gibi, üç lider erken bir aşamada suboptimal bir bölgede kümelenirse durgunlaşabilir.
- Amaç pürüzsüz olduğunda, gradyan-tabanlı çözücülere kıyasla çok yüksek boyutlu arama uzaylarına kötü ölçeklenir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Gradyan-sız: simülasyonlar ve kara kutu modeller dahil olmak üzere skaler döndüren herhangi bir amaç fonksiyonu üzerinde çalışır.
- Minimal parametrelendirme: yalnızca popülasyon büyüklüğü ve iterasyon sayısı ayarlanmalıdır; a otomatik olarak azalır.
- Tek bir doğrusal olarak azalan parametre aracılığıyla keşif ve sömürü arasında denge kurar, bu da denge mekanizmasını şeffaf hale getirir.
- Düşük uygulama karmaşıklığına sahip mühendislik tasarımı kıyaslamalarında rekabetçi performans (5 üzerinden 2 zorluk seviyesi).
Uygulama alanları
- Mühendislik tasarımı optimizasyonu: yapısal ağırlığı en aza indirme, anten tasarımı, güç sistemi parametre tahmini.
- Makine öğrenimi hiperparametre ayarlama ve sınıflandırma görevleri için özellik seçimi.
- Enerji sistemleri: güç şebekelerinde optimum sevk ve yenilenebilir enerji birimlerinin yerleştirilmesi.
- Eşikleme optimizasyonu yoluyla görüntü segmentasyonu ve tıbbi görüntü analizi.
- Sürekli bir gevşetme ile zamanlama ve kaynak tahsisi problemleri.
Nasıl çalışır?
Nasıl çalışır?
Aday çözümler popülasyonu, arama uzayının tanımlanmış alt ve üst sınırları içinde düzgün bir şekilde rastgele oluşturulur. Popülasyon büyüklüğü ve maksimum iterasyon sayısı, çalıştırma başlamadan önce ayarlanması gereken tek iki parametredir.
Her aday çözüm, amaç fonksiyonu tarafından puanlanır. GWO gradyan-sız olduğu için, fonksiyon kara kutu olabilir — her aday konumu için yalnızca skaler bir uygunluk değeri döndürmesi yeterlidir.
Adaylar uygunluğa göre sıralanır. En iyi çözüm alfa (α), ikincisi beta (β) ve üçüncüsü delta (δ) olarak atanır. Geri kalan tüm adaylar omega (ω) kurtlarıdır. Bu roller her iterasyonda yeniden atanır, böylece etiketler her zaman mevcut en iyi üç konumu takip eder.
Her omega kurdu, üç mesafe vektörü — α, β ve δ'ya doğru birer tane — hesaplayarak ve üç sonuç hedef konumunun merkezine hareket ederek konumunu günceller. Kontrol parametresi a, çalıştırma boyunca doğrusal olarak 2'den 0'a düşer: a'nın büyük değerleri keşfi tetikler (adaylar aşırı gidebilir ve liderlerden uzakta arama yapabilir), küçük değerler sömürüyü tetikler (adaylar liderlerin etrafında sıkıca yakınsar).
Avlanma adımı, maksimum iterasyon sayısına ulaşılana veya bir durdurma kriteri karşılanana kadar tekrarlanır. Sonlandırmadaki alfa kurdun konumu, bulunan en iyi çözüm olarak döndürülür.
Sık yapılan hatalar
- Popülasyon büyüklüğünü çok küçük ayarlamak (yaklaşık 10'un altında) çeşitliliği erken çökertir; üç lider erken yakınsar ve çalıştırma yalnızca küçük bir bölgeyi keşfeder.
- Çok az iterasyon çalıştırmak yetersiz bir avlanma döngüsü sağlar; a hala büyükken sona eren bir çalıştırma sömürü aşamasına girmemiştir.
- GWO'yu ayrıştırma şeması olmadan tamsayı veya kategorik değişkenlere sahip problemlere uygulamak anlamsız konum güncellemeleri üretir.
- Arama sınırlarının ölçeğini göz ardı etmek — çok geniş sınırlar küçük bir popülasyonla birleştiğinde, ilk iterasyonlarda alanın çoğunun örneklenmemiş kalmasına neden olur.
Sık sorulan sorular
Popülasyon büyüklüğü ve iterasyon sayısını nasıl seçerim?
Orta boyutlu problemler (yaklaşık 30 değişkene kadar) için yaygın bir başlangıç noktası 30 ajan ve 200-500 iterasyondur. Problem boyutluluğu arttıkça popülasyon büyüklüğünü ve iterasyonları artırın. GWO stokastik olduğu için, farklı rastgele tohumlarla en az 20-30 kez çalıştırın ve en iyi uygunluğun ortalamasını ve standart sapmasını raporlayın.
GWO ayrık veya ikili değişkenleri işleyebilir mi?
Doğal olarak değil. Standart konum güncelleme denklemleri sürekli reel değerli uzaylar için tanımlanmıştır. Literatürde ikili veya ayrık varyantlar mevcuttur — genellikle sürekli konumları ikili kararlara eşlemek için bir transfer fonksiyonu kullanılarak — ancak bunlar orijinal algoritmadan ziyade uzantılardır.
GWO, Parçacık Sürü Optimizasyonu ile nasıl karşılaştırılır?
Her ikisi de benzer hesaplama maliyetine sahip sürü zekası yöntemleridir. GWO, tek bir küresel en iyi ve her parçacığın kişisel en iyisi yerine üç lider (alfa, beta, delta) kullanır, bu da çeşitliliği daha uzun süre koruma eğilimindedir. Mirjalili ve arkadaşları (2014), GWO'nun kıyaslama setlerinde PSO'ya göre rekabetçi veya üstün olduğunu bulmuşlardır, ancak performans probleme bağlıdır; hiçbir yöntem evrensel olarak baskın değildir.
a parametresi neyi kontrol eder ve onu ayarlamam gerekir mi?
a parametresi, çalıştırma boyunca doğrusal olarak 2'den 0'a düşer ve kurtların keşif mi (yüksek a) yoksa sömürü mü (düşük a) yapacağını kontrol eder. Bu program algoritma tarafından belirlenir — a'yı doğrudan ayarlamazsınız. Kontrol edebileceğiniz tek kollar, a'nın ne kadar yavaş veya hızlı düştüğünü belirleyen popülasyon büyüklüğü ve toplam iterasyon sayısıdır.
İlgili yöntemler
Kaynaklar
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.
DOI kaynağını açKopyalandı.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 kaynağını açKopyalandı.