الگوريتم بهينه‌سازي گرگ خاكستري (GWO) يك روش بهينه‌سازي نسبتاً جديد مبتني بر جمعيت است كه اين مزيت را دارد كه قابليت بهينه‌سازي كل قوي‌تر و سادگي پياده‌سازي با پارامترهاي كنترل كمتر را دارد. اين الگوريتم در رشته‌ها و زمينه‌هاي مختلف توجهات بسياري را به خود جلب كرده است. با اين حال همچنان كمبودهايي در الگوريتم(GWO) با وجود معادله‌ي بروزرساني شده‌ي موقعيت آن وجود دارد كه در روند بهره‌برداري خوب عمل مي‌كند اما در اكتشاف ضعيف عمل مي‌كند. در اين اثر ما يك الگوريتم بهبود يافته از(GWO) را به نام الگوريتم(GWO) با اكتشاف بهبوديافتهEEGWO)‎) را پيشنهاد مي‌كنيم. به منظور بهبود اكتشاف، يك معادله‌ي موقعيت بروزرساني شده‌ي جديد با اعمال فرد تصادفي در جمعيت ارائه شده است تا روند جستجوي افراد كانديد جديد را هدايت كند. علاوه بر اين به منظور استفاده‌ي كامل و متعادل ساختن اكتشاف و جستجوي الگوريتم(GWO)، يك استراتژي پارامتر كنترل غيرخطي را معرفي مي‌كنيم به عنوان مثال پارامتر كنترل به صورت غيرخطي در تكرارها افزايش مي‌يابد. نتيجه‌ي آزمايشي روي يك مجموعه از 23 تابع معيار(تابع تست الگوريتم) و كاربرد‏هاي مهندسي نشان دهنده‌ي اثربخشي و كارايي معادلات اصلاح شده‌ي به روزرساني شده‌ي موقعيت و استراتژي پارامتر كنترل غيرخطي است. مقايسه‌ها نشان داده‌اند كه الگوريتمEEGWO)‎) پيشنهادي به طور قابل توجهي عملكرد(GWO) را بهبود مي‌بخشد. علاوه بر اينEEGWO)‎) بالاترين كيفيت راه‌حل، قوي‌ترين الگوريتم و سريع‌ترين همگرايي سراسري را در ميان همه‌ي رقبا روي تقريبا تمامي توابع آزمون ارائه مي‌كند.

1397/07/04

An exploration-enhanced grey wolf optimizer to solve high-dimensional numerical optimization

9/26/2018 12:00:00 AM

Grey wolf optimizer (GWO) algorithm is a relatively novel population-based optimization technique that has the advantage of less control parameters, strong global optimization ability and easy of implementation. It has received significant interest from researchers in different fields. However, there is still an insufficiency in the GWO algorithm regarding its position-updated equation, which is good at exploitation but poor at exploration. In this work, we proposed an improved algorithm called the exploration-enhanced GWO (EEGWO) algorithm. In order to improve the exploration, a new position-updated equation is presented by applying a random individual in the population to guide the search of new candidate individuals. In addition, in order to make full use of and balance the exploration and exploitation of the GWO algorithm, we introduced a nonlinear control parameter strategy, i.e., the control parameter of →𝑎 is nonlinearly increased over the course of iterations. The experimental result on a set of 23 benchmark functions and 4 engineering applications demonstrate the effectiveness and efficiency of the modified position-updated equation and the nonlinear control parameter strategy. The comparisons show that the proposed EEGWO algorithm significantly improves the performance of GWO. Moreover, EEGWO offers the highest solution quality, strongest robustness, and fastest global convergence among all of the contenders on almost all of the test functions.