Grey Wolf Optimizer — GWO
Grey Wolf Optimizer (GWO) · Ayrıca şöyle bilinir: GWO, Gri Kurt Optimizasyonu, Gri Kurt Optimizasyonu (GWO)
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.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
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.
Güçlü yönler & sınırlılıklar
- 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).
- 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.
SSS
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.
Kaynaklar
- Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61. DOI: 10.1016/j.advengsoft.2013.12.007 ↗
- 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: 10.1007/s00521-017-3272-5 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Grey Wolf Optimizer (GWO). ScholarGate. https://scholargate.app/tr/optimization/grey-wolf-optimizer
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır
- Tabu SearchOptimizasyon↔ karşılaştır