بررسی تاثیر پارامترهای جمعیت و تعداد تکرار در الگوریتم گرگ خاکستری برای حل مسائل بهینه سازی چندقله ای

در این مطالعه، الگوریتم گرگ خاکستری (Grey Wolf Optimizer - GWO) برای بهینه سازی یک تابع دو بعدی چندقله ای پیچیده مورد استفاده قرار گرفت. این الگوریتم با شبیه سازی سلسله مراتب گرگ ها (آلفا، بتا، دلتا و امگا) و بهره گیری از مکانیزم هایی مانند محاصره و حمله، فضای جستجو را به صورت هوشمند کاوش می کند. تابع مورد بررسی دارای چندین نقطه بهینه محلی با اوج های متفاوت است و هدف، یافتن مقدار حداکثری آن می باشد. نتایج آزمایش ها نشان داد که افزایش تعداد حلقه های تکرار الگوریتم، تاثیر قابل توجهی بر دقت نتایج ندارد و تکرار بیشتر، بهبود محسوسی در جواب های بهینه ایجاد نمی کند. در مقابل، افزایش تعداد گرگ های شرکت کننده در الگوریتم، درصد دستیابی به جواب های صحیح و نزدیک به بهینه را افزایش می دهد، به گونه ای که جمعیت بزرگ تر شانس رسیدن به پاسخ های بهتر را بهبود می بخشد. این یافته ها نشان دهنده اهمیت تنظیم مناسب پارامتر جمعیت نسبت به تعداد تکرار حلقه ها در GWO بوده و می تواند راهنمای مفیدی برای کاربردهای مشابه در بهینه سازی باشد.

کلیدواژه ها:

الگوریتم گرگ خاکستری (GWO) ، بهینه سازی ، حل مسائل مهندسی ، تحلیل داده ها