Porównanie wybranych algorytmów wilczego stada stosowanych w rozwiązaniach problemów optymalizacji
DOI:
https://doi.org/10.34767/SIMIS.2021.01.03Słowa kluczowe:
Optymalizacja, Algorytmy rojowe, Algorytmy wilcze, Wilki, Funkcje porównująceAbstrakt
Algorytmy optymalizacyjne zyskały uznanie jako szybki i konsekwentny sposób rozwiązywania problemów optymalizacyjnych. W ostatnim czasie wilki są coraz częściej wykorzystywane jako inspiracja do tworzenia algorytmów, jak i w projektach używających tych algorytmów. W niniejszej pracy opisano sześć wybranych algorytmów. Następnie zaimplementowano je w języku R i porównano z pomocą sześciu funkcji porównujących, tzw. benchmarków. Wyniki trzydziestu testów na każdej z funkcji zaprezentowano za pomocą średniego wyniku, odchylenia standardowego wyniku, średniego czasu oraz odchylenia standardowego czasu. Dodatkowo zaprezentowano wykres zbieżności na dwóch z funkcji porównujących. Uzyskane wyniki algorytmów często różniły się od tych zaprezentowanych w publikacjach, jednak skuteczność części z nich była lepsza bądź porównywalna z PSO[1], DE[2] i GA[3]. Najlepszym wilczym algorytmem okazał się Grey Wolf Optimizer[4].
Bibliografia
J. Kennedy and R. Eberhart. Particle swarm optimization. In Proceedings of ICNN’95 -International Conference on Neural Networks,volume 4,pages 1942–1948 vol.4, 1995.
Rainer Storn and Kenneth Price. Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces.11(4), 1997.
John H. Holland. Genetic algorithms. Scientific American, 267(1):66–73,1992.
Seyedali Mirjalili, Seyed Mohammad Mirjalili, and Andrew Lewis.Grey wolf optimizer.Advances in Engineering Software, 69:46 – 61,2014.
Osman K. Erol and Ibrahim Eksin. A new optimization method: Big bang–big crunch.Advances in Engineering Software, 37(2):106 – 111, 2006.
Esmat Rashedi, Hossein Nezamabadi-pour, and Saeid Saryazdi. Gsa: A gravitational search algorithm. Information Sciences,179(13):2232 – 2248, 2009. Special Section on High Order Fuzzy Sets.
S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi. Optimization by simulated annealing. Science, 220(4598):671–680, 1983.
M. Dorigo, M. Birattari, and T. Stutzle. Ant colony optimization. IEEE Computational Intelligence Magazine, 1(4):28–39, 2006.
C. Yang, X. Tu, and J. Chen. Algorithm of marriage in honey bees optimization based on the wolf pack search. In The 2007 International Conference on Intelligent Pervasive Computing (IPC 2007), pages 462–467, 2007.
Rolf Peterson, Amy Jacobs, Thomas Drummer, L. Mech, and Douglas Smith. Leadership behavior in relation to dominance and reproductive status in gray wolves, canis lupus. Canadian Journal of Zoology-revue Canadienne De Zoologie - CAN J ZOOL, 80:1405–1412, 08 2002.
L. Mech. Alpha status, dominance, and division of labor in wolf packs. Canadian Journal of Zoology, 77:1196–1203, 1999.
C.-Y Liu, X.-H Yan, and H. Wu. The wolf colony algorithm and its application. Chinese Journal of Electronics, 20:212–216, 04 2011.
Hu-Sheng Wu and Feng-Ming Zhang. Wolf pack algorithm for unconstrained global optimization. Mathematical Problems in Engineering, 2014:1–17, 03 2014.
Derek Bingham Sonja Surjanovic. Optimization Test Functions, 2013.
D. H. Wolpert and W. G. Macready. No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1):67–82, 1997.
