:::: MENU ::::
Grey Wolf Optimizer

A novel Random Walk Grey Wolf Optimizer

“A novel Random Walk Grey Wolf Optimizer” başlıklı çalışma Shubham Gupta ve Kusum Deep tarafından yapılmış olup Swarm and Evolutionary Computation dergisinde yayınlanmıştır.

Çalışmada Grey Wolf Optimizer algoritması Random Walk ile geliştirilmiştir. Geliştirilen algoritmaya Random Walk Grey Wolf Optimizer (RW-GWO) ismi verilmiştir.

Bu çalışmada da yeni sürü zekası algoritmalarının önerilmesinin arkasındaki motivasyonun No Free Lunch (NFL) teoremi olduğu belirtilmiştir.

Çalışmada Wilcoxon testinden elde edilen p değerleri farklı bir şekilde yorumlanmıştır.

IEEE CEC 2014 fonksiyonları üzerinde GWO ve diğer bazı metasezgiseller ile kıyaslamalar yapılmış ayrıca 2 kısıtsız, 2 kısıtlı gerçek dünya problemi çözülmüştür.

İndirmek için tıklayınız


Grey Wolf Optimizer

“Grey Wolf Optimizer” başlıklı çalışma Seyedali Mirjalili, Seyed Mohammad Mirjalili ve Andrew Lewis tarafından yapılmış olup Advances in Engineering Software, 2014, 69: 46-61.sayfaları arasında yayınlanmıştır.

Çalışma 27 Haziran 2013 günü gönderilmiş, 18 Ekim 2013 günü revize edilmiş, 11 Aralık 2013 günü kabul edilmiş, 21 Ocak 2014’te yayınlanmıştır.

Metasezgisellerin yaygın kullanımının nedenlerini basitlik, esneklik, türevsiz mekanizma ve yerel optima önleme şeklinde özetleyerek kısaca izahlar yapılmıştır.

No Free Lunch (NFL) teoremi herhangi bir metasezgiselin tüm optimizasyon problemleri için iyi sonuçlar üretemeyeceğini ortaya koymuştur. Belirli metasezgiseller belirli problemlerde iyidir. Bir başka deyişle bir problemi iyi çözem bir metasezgisel, başka bir problemi çözemeyebilir. Bu yüzden bu alanda sürekli yeni algoritmalar geliştirilmekte ve problemlere bulunan çözümlerin iyileştirilmesi değerli sayılmaktadır.

-Tek çözümlü algoritmalar (single-solution-based)
-Çok çözümlü algoritmalar (population-based)

Popülasyon tabanlı algoritmalar arama uzayını daha iyi keşfeder. Bireyler arası etkileşim ile çözüme yakınsama sağlar. Bireylerin birbirini etkilemesi sonucu lokal optimalardan kurtulabilir.

Gri Kurt Optimize Edici

Bu algoritmada popülasyon farklı kurt tiplerine göre bölünmüştür. Bireyler amaç fonksiyonu değerine göre sıralanır.
alfa(1), beta(2), omega(3), delta(diğerleri) şeklinde isimlendirilir. Optimizasyon süreci alfa, beta ve omega kurtları ile yürütülür. Algoritmanın sözde kodu aşağıdadır:

Algoritmanın keşif gücünü multimodal, sömürü gücünü unimodal fonksiyonlardaki başarısına göre analiz edebiliriz.

Makale ile ilgili notlar:
-Tablo 2 ve Tablo 3’te F14-F15-F16 fonksiyonlarına yer verilmiş.
-Tablo 5 yorumlanırken üstün başarılı denmesine rağmen DE 7 fonksiyonun 4 tanesinde iyiyken, GWO sadece 3 tanesinde iyidir.
-Tablo 6’daki F8-F13 arası fonksiyonlarda 1 kere iyi sonuç elde edilmiş, diğerlerinde diğer yöntemler iyi sonuçlar elde etmiştir.
-Tablo 8’de kaydırılmış fonksiyonlarda çok başarılı olmadığı halde başarılı şeklinde yorum yapılmış.
-Deneysel çalışmanın hangi şartlarda yapıldığı açıkça anlatılmamıştır.

İndirmek için tıklayınız