이번에는 최신의 최적화 알고리즘 중 하나인 그레이 울프 최적화에 대해 알아봅시다. 테스트 함수에서의 오리지널 행동은 이 알고리즘을 앞서 고려한 알고리즘 중 가장 흥미로운 알고리즘 중 하나로 만듭니다. 이 알고리즘은 신경망 훈련, 많은 변수가 있는 부드러운 함수의 훈련에 사용되는 최고의 알고리즘 중 하나입니다.
그림 3. 알파, 베타 및 델타와 관련된 오메가의 이동 다이어그램
GWO 알고리즘의 의사 코드는 다음과 같습니다:
1) 회색 늑대 개체 수를 무작위로 초기화합니다. 2) 인구의 각 구성원의 체력을 계산합니다. 3) 무리 리더: -α = 최고의 피트니스 값을 가진 멤버 -β = 두 번째로 우수한 멤버(체력 기준) -δ = 세 번째로 우수한 멤버(피트니스 값 기준) α, β, δ에 따른 방정식에 따라 모든 오메가 늑대의 위치를 업데이트합니다. 4) 인구의 각 구성원의 체력을 계산합니다. 5) 3단계를 반복합니다.
새로운 기고글 모집단 최적화 알고리즘: 회색 늑대 옵티마이저(GWO) 가 게재되었습니다:
이번에는 최신의 최적화 알고리즘 중 하나인 그레이 울프 최적화에 대해 알아봅시다. 테스트 함수에서의 오리지널 행동은 이 알고리즘을 앞서 고려한 알고리즘 중 가장 흥미로운 알고리즘 중 하나로 만듭니다. 이 알고리즘은 신경망 훈련, 많은 변수가 있는 부드러운 함수의 훈련에 사용되는 최고의 알고리즘 중 하나입니다.
그림 3. 알파, 베타 및 델타와 관련된 오메가의 이동 다이어그램
GWO 알고리즘의 의사 코드는 다음과 같습니다:
작성자: Andrey Dik