معرفي الگوريتم بهينه سازي گرگ خاكستري

Introducing Gray Wolf Optimization Algorithm

در 20 سال گذشته يك نوع الگوريتم حل تقريبي بسط و گسترش يافته است كه اساسا سعي در تركيب روش هاي كاوشي پايه و اوليه و رسيدن به يك جست وجوي موثر وكارا، در محدوده مورد نظر را دارند. امروزه اين روش ها عمدتا روش هاي فراكاوشي ناميده مي شوند. دليل استفاده از الگوريتم هاي فراكاوشي در سادگي، انعطاف پذيري، مكانيزم بدون تقسيم شدن و اجتناب از بهينه سازي محلي خلاصه شود. به همين دليل است كه اين الگوريتم ها نه تنها در بين دانشمندان كامپيوتر بلكه در بين دانشمندان ساير رشته ها هم شناخته شده هستند. اين مقاله در ابتدا انواع الگوريتم هاي فراكاوشي را معرفي مي كند، سپس يك الگوريتم فراكاوشي به نام الگوريتم بهينه ساز گرگ خاكستري(GWO) را ارئه مي كند كه الهام گرفته از گرگ خاكستري است. الگوريتم گرگ خاكستري از رهبري سلسله مراتبي و مكانيزم شكار گرگ خاكستري در طبيعت تقليد مي كند. از چهار نوع گرگ خاكستري به نام هاي آلفا، بتا، دلتا و امگا براي شبيه سازي رهبري سلسله مراتبي استفاده مي شود. علاوه بر اين، سه مرحله اصلي شكار شامل جست وجو براي طعمه، محاصره طعمه و حمله به شكار اجرا مي شود. سپس الگوريتم با 29 تابع شناخته شده تست مي شود و نتايج به دست آمده با نتايج حاصل از الگوريتم هاي ازدحام ذرات، جست وجوي گرانش، تكامل ديفرانسيل، برنامه ريزي تكاملي و استراتژي تكامل مقايسه مي شود. نتايج نشان مي دهد كه الگوريتم گرگ خاكستري قادر به ارائه ي نتايج خوبي نسبت به ساير الگوريتم ها فراكاوشي شناخته شده است.