الگوریتم بهبودیافته گرگ خاکستری مبتنی بر شرایط برای حل مسائل بهینه‌سازی سراسری

Abstract

بسیاری از مسائل بهینه‌سازی دنیای واقعی، مسائلی پیچیده با ابعاد بالا هستند که با افزایش ابعاد، فضای جواب به صورت نمایی افزایش می‌یابد. از این رو الگوریتم‌های دقیق که تمام فضای مسأله را برای یافتن جواب پیمایش می‌کنند، در زمان قابل قبولی نمی-توانند به جواب دست یابند و از الگوریتم‌های تقریبی برای حل این مسائل استفاده می‌شوند. از دسته این الگوریتم‌ها، می‌توان به الگوریتم‌های فراابتکاری اشاره کرد که نشان داده‌اند کارایی خوبی دارند. الگوریتم بهینه‌سازی گرگ خاکستری از جمله‌ی این الگوریتم‌ها است. اما ساختار الگوریتم، توانایی اکتشاف آن را برای حل مسائل پیچیده با ابعاد بالا محدود می‌کند و در اواسط اجرای الگوریتم ممکن است به دام بهینه‌های محلی گرفتار گردد. در این حالت به تدریج تنوع جمعیت کم می‌گردد و در برخی موارد قادر به فرار از این بهینه‌های محلی نیست و دچار همگرایی زودرس می‌گردد. از این رو، در این تحقیق، نسخه بهبود یافته‌ای از الگوریتم گرگ خاکستری به نام الگوریتم بهینه‌سازی گرگ خاکستری مبتنی بر شرایط ارائه می‌گردد، که با جداسازی مرحله اکتشاف از بهره برداری و فراهم آوردن امکان فرار از بهینه‌های محلی در هر تکرار، همچنین بهبود توازن بین اکتشاف و بهره‌برداری، راه‌حل‌های جدیدی ارائه می‌دهد که در صورت بهتر بودن جایگزین راه‌حل‌های قبلی می‌شوند. الگوریتم پیشنهادی با چند نسخه از الگوریتم‌های بهبود یافته گرگ خاکستری، همچنین الگوریتم‌های بهینه‌سازی ازدحام ذرات، کفتار خالدار، شاهین هریس، اسب وحشی، عقاب و کرکس آفریقایی که از جمله الگوریتم‌های فراابتکاری بسیار جدید هستند، برای یافتن نقاط بهینه در توابع بهینه‌سازی CEC2018 و پارامترهای مسأله مهندسی طراحی مخزن فشار مقایسه شده است. نتایج ارزیابی، حاکی از بهبود قابل توجه نتایج الگوریتم پیشنهادی نسبت به سایر الگوریتم‌های مورد مقایسه است.