Grey Wolf Optimizer

يشرح Grey Wolf Optimizer ويضبط خوارزمية GWO لحلول التحسين المستمر. يصف كيف تحاكي مجموعة من حلول المرشحات سلوك قطيع الذئاب لاستكشاف واستغلال فضاءات البحث. يتم التركيز على مفهوم القيادة الهرمية (ألفا، بيتا، دلتا) وآلية الالتفاف التي تقود الحلول نحو المناطق الواعدة.
من حيث المفهوم، يقوم GWO بتحديث مواقع المرشحين باستخدام معاملات توازن بين الاستكشاف (العشوائية والبحث الواسع) والاستغلال (التركيز على أفضل المناطق التي تم العثور عليها). يحدد هذا الاختبار مدخلات مطلوبة (البُعد، حجم السكان، عدد التكرارات، الحدود والدالة الهدف) وميزات اختيارية (عقوبات للقيود، إصلاح الحدود، تقييم متوازي).
تشمل حالات الاستخدام ضبط المعلمات، معايرة نماذج الهندسة، وتقييم دوال الهدف عبر مناظر معقدة. القيمة الفريدة تكمن في ضبط صريح وقابل للاختبار ومعايير واضحة للتقييم والتوقف تتيح تجارب قابلة لإعادة الإنتاج ومقارنات عادلة بين الأساليب. تتضمن الوظائف الأساسية تقييم الدالة الهدف، تتبع القادة وقواعد التحديث الحتمية التي تعطي نتائج قابلة لإعادة الإنتاج مع بذرة معينة. السيناريوهات النموذجية تتعلق بمشاكل مستمرة غير مقيدة أو مقيدة، مثل توزيعات Rastrigin أو Schwefel، حيث لا تكون معلومات التدرج موثوقة. تؤكد الأداة على معالجة قوية للمدخلات غير الصحيحة، الالتزام بالحدود والتقرير عن أفضل حل وجِد مع منحنيات تقارب. هذا المزيج يساعد الباحثين في إجراء تجارب تحسينية شفافة وقابلة للتوسع والمهندسين في التحقق من GWO مقابل benchmarks محددة في المجال.