Skip to content
返回搜索结果

灰狼优化算法 — GWO

提出者
Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis
年份
2014
类型
Swarm-intelligence metaheuristic

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

灰狼优化算法(GWO)是一种群体智能元启发式算法,由Mirjalili、Mirjalili和Lewis于2014年提出,它模拟了灰狼的社会等级和合作狩猎行为。候选解的种群被划分为四个领导等级——头狼(alpha)、二头狼(beta)、三头狼(delta)和普通狼(omega),每一迭代中最好的三个解会引导整个狼群趋向搜索空间中越来越优的区域。

方法背后的直觉

想象一下,一群灰狼在茂密的灌木丛中追踪猎物。头狼(alpha)做出最终决定,二头狼(beta)和三头狼(delta)提供建议,而其余的狼则根据这三头领导者的指示重新调整自己的位置。GWO完全模仿了这一过程:迄今为止找到的三个最优解充当了导航信标,而所有其他候选解则根据这三个信标指向的方向进行加权混合来调整其位置。一个单一的参数a,随着迭代的进行从2逐渐减小到0,因此狼群首先广泛搜索以探索,然后收紧包围圈以开发已找到的最佳区域。

历史学

GWO由Seyedali Mirjalili、Seyed Mohammad Mirjalili和Andrew Lewis于2014年在《Advances in Engineering Software》期刊上提出。该算法的灵感来源于对灰狼群体结构的生态学观察:严格的社会等级(头狼、二头狼、三头狼、普通狼)以及三阶段的狩猎策略——包围、骚扰和攻击猎物。Mirjalili等人使用29个测试函数和几个工程设计问题对GWO与粒子群优化(PSO)、引力搜索算法(GSA)和差分进化(DE)进行了基准测试,报告了具有竞争力的或更优的结果。自2014年以来,该算法已产生了大量后续文献:Faris等人(2018年)调查了十多年来该算法的变体——二元、多目标、混沌和混合扩展——并记录了其在特征选择、电力系统、图像分割和调度等领域的应用。

何时使用

GWO适用于目标函数解析评估成本高昂或为黑箱的连续优化问题。它不需要梯度信息,也不对数据做任何分布假设。该方法适用于工程设计、参数调优和特征选择任务。由于它是基于种群的,因此建议最小种群规模约为10-30个代理;过小的种群会降低多样性并增加过早收敛的风险。GWO不适用于离散或组合问题,除非进行修改,也不适用于存在精确数学解的问题。

局限与注意事项

  • 不保证收敛到全局最优解;解的质量取决于种群多样性和迭代次数。
  • 未经修改不适合离散、二元或组合搜索空间。
  • 与大多数群体算法一样,如果三个领导者过早地聚集在次优区域,它可能会停滞。
  • 与基于梯度的求解器相比,对于高维搜索空间,其扩展性较差(当目标函数平滑时)。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 无梯度:适用于任何返回标量值的目标函数,包括模拟和黑箱模型。
  • 参数化最少:只需设置种群大小和迭代次数;a自动衰减。
  • 通过单一线性衰减参数平衡探索与开发,使得平衡机制透明。
  • 在工程设计基准测试上表现具有竞争力,实现复杂度低(难度等级2/5)。

应用

  • 工程设计优化:最小化结构重量、天线设计、电力系统参数估计。
  • 机器学习超参数调优和分类任务的特征选择。
  • 能源系统:电网中的最优调度和可再生能源单元的选址。
  • 通过阈值优化进行图像分割和医学图像分析。
  • 具有连续松弛的调度和资源分配问题。

使用方式

使用方式

1

候选解的种群在搜索空间的定义下界和上界之间均匀随机生成。种群大小和最大迭代次数是运行开始前必须设置的唯二参数。

2

每个候选解都由目标函数进行评分。由于GWO是无梯度的,因此该函数可以是一个黑箱——它只需要为每个候选位置返回一个标量适应度值。

3

候选解按适应度排序。最优解被指定为头狼(α),次优解为二头狼(β),第三优解为三头狼(δ)。所有剩余的候选解都是普通狼(ω)。这些角色每迭代重新分配一次,因此标签始终跟踪当前最优的三个位置。

4

每只普通狼通过计算三个距离向量——分别指向α、β和δ——来更新其位置,并移动到三个目标位置的质心。控制参数a在运行过程中从2线性下降到0:a值较大时驱动探索(候选解可能超调并远离领导者进行搜索),a值较小时驱动开发(候选解紧密收敛于领导者周围)。

5

狩猎步骤重复进行,直到达到最大迭代次数或满足停止条件。在终止时,头狼的位置被返回作为找到的最优解。

常见陷阱

  • 将种群大小设置得过小(低于约10个)会导致早期多样性崩溃;三个领导者过早收敛,运行只探索了很小的区域。
  • 运行迭代次数过少会导致狩猎周期不足;在a值仍然很大时终止的运行尚未进入开发阶段。
  • 在没有离散化方案的情况下将GWO应用于整数或分类变量问题会产生无意义的位置更新。
  • 忽略搜索边界的尺度——非常宽的边界与小种群结合,在早期迭代中大部分空间未被采样。

常见问题

如何选择种群大小和迭代次数?

对于中等维度问题(最多约30个变量),一个常见的起点是30个代理和200-500次迭代。随着问题维度的增加,增加种群大小和迭代次数。由于GWO是随机的,至少运行20-30次,使用不同的随机种子,并报告最佳适应度的均值和标准差。

GWO能处理离散或二元变量吗?

原生不能。标准的更新方程是为连续实值空间定义的。文献中存在二元或离散变体——通常使用传递函数将连续位置映射到二元决策——但这些是扩展而非原始算法。

GWO与粒子群优化(PSO)相比如何?

两者都是具有相似计算成本的群体智能方法。GWO使用三个领导者(头狼、二头狼、三头狼)而不是单个全局最优和每个粒子的个人最优,这倾向于更长时间地保持多样性。Mirjalili等人(2014年)发现在其基准测试集上GWO与PSO相比具有竞争力或更优,但性能取决于问题;没有一种方法能普遍占优。

参数a控制什么,我需要调整它吗?

参数a在运行过程中从2线性下降到0,并控制狼群是探索(a大)还是开发(a小)。这个时间表由算法固定——您不直接调整a。您唯一可以控制的是种群大小和总迭代次数,它们共同决定了a下降的速度快慢。

相关方法

参考文献

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

    打开 DOI 文献
    已复制。
  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.

    打开 DOI 文献
    已复制。