Grey Wolf Optimizer

El Grey Wolf Optimizer explica y parametriza la metaherística GWO para problemas de optimización continua. Describe cómo una población de soluciones candidatas imita el comportamiento de una manada de lobos para explorar y explotar los espacios de búsqueda. La jerarquía de liderazgo (Alpha, Beta, Delta) y el mecanismo de cercado que guía las soluciones hacia regiones prometedoras son el foco.
Conceputualmente GWO actualiza las posiciones de los candidatos mediante coeficientes que equilibran la exploración (aleatoriedad y búsqueda amplia) con la explotación (concentración en las mejores regiones encontradas). Esta herramienta especifica entradas obligatorias (dimensión, tamaño de la población, iteraciones, límites y función objetiva) y características opcionales (términos de penalización para restricciones, reparación de límites, evaluación paralela).
Los casos de uso incluyen ajuste de hiperparámetros, calibración de modelos de ingeniería y benchmarking de funciones objetivo sobre paisajes complejos. El valor único reside en una parametrización explícita y comprobable y definiciones claras de criterios de evaluación y de parada, que permiten experimentos reproducibles y comparaciones justas entre métodos. Las funciones clave abarcan evaluación de la función objetivo, seguimiento de líderes y reglas de actualización deterministas que producen resultados reproducibles con la misma semilla. Los escenarios típicos abarcan problemas continuos no restringidos o restringidos, como variantes de Rastrigin o Schwefel, donde la información del gradiente no es confiable. La herramienta enfatiza la gestión robusta de entradas inválidas, el cumplimiento de límites y la generación de informes de la mejor solución encontrada junto con curvas de convergencia. Esta combinación ayuda a investigadores con experimentos de optimización transparentes y escalables y a ingenieros para validar GWO frente a benchmarks específicos del dominio.