Tabla de contenido
Principio del algoritmo del lobo gris:
Proceso de algoritmo de lobo gris:
Algoritmo de lobo gris mejorado:
Algoritmo de lobo gris multiobjetivo:
El efecto de ejecución de los tres algoritmos de lobo gris:
Resumen:
Optimización de lobo gris. GWO simula el comportamiento de depredación de los grupos de lobos grises y logra el objetivo de optimización basado en el mecanismo de cooperación del grupo de lobos. El algoritmo GWO tiene las características de estructura simple, pocos parámetros para ajustar y fácil implementación. Hay factores de convergencia autoadaptativos ajustables y mecanismos de retroalimentación de información, que pueden lograr un equilibrio entre la optimización local y la búsqueda global. Por lo tanto, en la resolución de problemas Tiene un buen rendimiento en términos de precisión y velocidad de convergencia. En este artículo, se implementan tres algoritmos GWO diferentes y se verifica la eficacia del algoritmo inteligente para resolver problemas de optimización a través de experimentos de simulación. Se anotan todas las líneas clave del programa. Los tres algoritmos GWO implementados son:
- Algoritmo GWO original
- Algoritmo GWO mejorado (I-GWO)
- Algoritmo GWO multiobjetivo (MO-GWO)
Principio del algoritmo del lobo gris:
Los lobos grises pertenecen a la familia de los cánidos y se consideran depredadores del ápice, se encuentran en la parte superior de la cadena alimentaria en la biosfera. Los lobos grises viven principalmente en manadas, con un promedio de 5 a 12 lobos en cada manada. De particular interés es que tienen una jerarquía de jerarquía social muy estricta, como se muestra aquí.
El primer nivel de la pirámide es el líder de la población, llamado α. En una manada de lobos, α es un individuo con capacidad de gestión, principalmente responsable de diversas decisiones en el grupo sobre la caza, la hora y el lugar para dormir, la distribución de alimentos, etc.
La segunda capa de la pirámide es el equipo de expertos de α, llamado β. β es principalmente responsable de ayudar a α a tomar decisiones. Cuando haya una vacante en α de toda la manada de lobos, β ocupará el puesto de α. El dominio de β en la manada de lobos solo es superado por α, da las órdenes de α a otros miembros y retroalimenta el estado de ejecución de otros miembros a α, que actúa como un puente.
La tercera capa de la pirámide es δ.δ obedece las órdenes de toma de decisiones de α y β, y se encarga principalmente de la investigación, vigilancia y enfermería. α y β con mala aptitud también se reducirán a δ.
La base de la pirámide es ω, que es la principal responsable del equilibrio de la relación interna de la población.
Además, la caza en grupo es otro comportamiento social fascinante de los lobos grises. La clase social de los lobos grises juega un papel importante en el proceso de caza grupal y el proceso de depredación se completa bajo el liderazgo de α. La cacería de un lobo gris consta de 3 partes principales:
1) Seguimiento, persecución y aproximación de presas;
2) perseguir, rodear y acosar a la presa hasta que deje de moverse;
3) Atacar a la presa.
Proceso de algoritmo de lobo gris:
La optimización del algoritmo GWO comienza con la creación aleatoria de una población de lobos grises (esquema de candidatos). Durante el proceso iterativo, los lobos α, β y δ estiman las posibles posiciones de la presa (la solución óptima). Los lobos grises actualizan sus posiciones en función de la distancia a la que se encuentran de su presa. El parámetro a debe disminuirse de 2 a 0 para exploración y desarrollo durante la búsqueda. Si |A|>1, la solución candidata está lejos de la presa; si |A|<1, la solución candidata está cerca de la presa. El diagrama de flujo del algoritmo GWO se muestra en la Fig.
Algoritmo de lobo gris mejorado:
GWO tiene las siguientes desventajas:
1) La diversidad de la población es pobre, lo que se debe al método de generación de población inicial de GWO. El método de inicialización aleatoria para generar la población inicial no puede garantizar una buena diversidad de población.
2) La velocidad de convergencia tardía es lenta, lo que es causado por el mecanismo de búsqueda del algoritmo GWO. Los lobos juzgan principalmente la distancia a la presa en función de la distancia a α, β y δ, lo que conduce a una velocidad de convergencia más lenta en la etapa posterior.
3) Es fácil caer en el óptimo local, porque el lobo α no es necesariamente el óptimo global. En la iteración continua, ω sigue acercándose a los tres lobos principales, lo que hace que el algoritmo GWO caiga en el óptimo local.
Se propone una mejora y la población se inicializa utilizando la teoría del buen conjunto de puntos. Cuando el número de puntos es el mismo, el grado de homogeneización de la secuencia de puntos seleccionada por la buena secuencia de puntos es mejor que otros métodos. Por tanto, la distribución individual de la población inicial generada por el método del buen conjunto de puntos es uniforme, lo que asegura la diversidad de la población, sentando así las bases para la optimización global del algoritmo.
Algoritmo de lobo gris multiobjetivo:
Flujo del algoritmo MGWO
Paso 1: inicialice la manada de lobos, calcule el archivo de conjunto de soluciones no dominado en la población (se determina el tamaño) y realice un cálculo de cuadrícula en las soluciones en el archivo para encontrar el valor de coordenadas de la cuadrícula.
La iteración comienza
Paso 2: Seleccione α, β, σ\alpha, \beta, \sigmaα, β, σ del Archivo inicial de acuerdo con la cuadrícula, y actualice las posiciones de todos los individuos en la manada de lobos de acuerdo con las tres soluciones.
Paso 3: Después de actualizar todas las posiciones, calcule el conjunto de soluciones no dominadas non_dominates de la población actualizada.
Paso 4: Actualización del archivo: combine non_dominates y Archive para calcular el conjunto de soluciones no dominadas de los dos y juzgue si supera el tamaño de archivo especificado. Si lo supera, elimínelo de acuerdo con las coordenadas de la cuadrícula.
Esta iteración finaliza
el Paso 5: Determine si se ha alcanzado el número máximo de iteraciones, en caso afirmativo, genere el archivo No, vaya al Paso 2.
El efecto de ejecución de los tres algoritmos de lobo gris:
(1) GRANDE
(2)I-GWO
(3) MO-GWO
