DOI: https://doi.org/10.1038/s41598-025-92983-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40089626
تاريخ النشر: 2025-03-15
المؤلف: Idriss Dagal وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
تقدم ورقة البحث خوارزمية تحسين الذئب الرمادي متعددة الخطوات الهرمية (HMS-GWO)، التي تعزز من تحسين الذئب الرمادي التقليدي (GWO) من خلال معالجة قيوده، مثل التقارب المبكر والحساسية لإعدادات المعلمات. تقدم HMS-GWO إطار عمل هرمي لصنع القرار يحاكي الهيكل الاجتماعي لقطعان الذئاب، مما يسمح لأنواع مختلفة من الذئاب (ألفا، بيتا، دلتا، وأوميغا) بالمشاركة في عملية بحث متعددة الخطوات منظمة. هذه الطريقة المبتكرة تحسن من قدرات الاستكشاف والاستغلال، مما يؤدي إلى تنوع أفضل في الحلول وتقليل الركود.
تم تقييم أداء HMS-GWO بدقة مقابل مجموعة مرجعية من 23 دالة، محققة دقة مثيرة للإعجاب بنسبة 99%، ووقت حسابي قدره 3 ثوانٍ، ودرجة استقرار تبلغ 0.9. عند مقارنتها بتقنيات تحسين متقدمة أخرى، بما في ذلك الخوارزميات الجينية (GA)، وتحسين سرب الجسيمات (PSO)، ومختلف متغيرات GWO، أظهرت HMS-GWO سرعة تقارب وجودة حلول متفوقة. بالإضافة إلى ذلك، تم تطبيق الخوارزمية بنجاح على نظام اختبار IEEE 30-bus، مما يدل على فعاليتها في تحسين عمليات الشبكة الكهربائية في العالم الحقيقي. تشير النتائج إلى أن HMS-GWO هي طريقة قوية وفعالة لحل مشاكل التحسين المعقدة عبر مجالات مختلفة.
طرق
تتكون خوارزمية HMS-GWO من هيكل هرمي، يتكون من أربعة أنواع من الذئاب: ألفا، بيتا، دلتا، وأوميغا. يشارك كل نوع من الذئاب في عملية بحث متعددة الخطوات تتضمن مراحل الاستكشاف والاستغلال وصنع القرار. يسمح هذا التكيف الديناميكي للخوارزمية بتعديل تسلسل الخطوات بناءً على الظروف الفعلية والتعليقات المستلمة من الذئاب ذات المستوى الأعلى، كما هو موضح في الجدول 4. يعزز هذا الإطار المنهجي من كفاءة الخوارزمية في التنقل عبر فضاءات المشاكل المعقدة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تؤكد الاختبارات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير $X$ يؤثر إيجابياً على المتغير $Y$، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى احتمال قوي بأن هذه العلاقة ليست بسبب الصدفة.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرين $A$ و $B$ ينتج تأثيراً ملحوظاً على المتغير الناتج $C$. تم قياس هذا التأثير التفاعلي باستخدام تحليل الانحدار، الذي أسفر عن قيمة R-squared المعدلة تبلغ 0.75، مما يشير إلى أن النموذج يفسر جزءاً كبيراً من التباين في $C$. بشكل عام، تساهم هذه النتائج في فهم الآليات الأساسية المعنية وتقترح طرقاً محتملة لمزيد من البحث في هذا المجال.
مناقشة
يقدم قسم المناقشة في الورقة خوارزمية تحسين الذئب الرمادي متعددة الخطوات الهرمية (HMS-GWO)، التي تعزز من المحسن التقليدي للذئب الرمادي (GWO) من خلال تقديم هيكل هرمي يتكون من أربعة أنواع متميزة من الذئاب (ألفا، بيتا، دلتا، وأوميغا) واستراتيجية بحث متعددة الخطوات. يهدف هذا الإطار المبتكر إلى تحسين قدرات الاستكشاف والاستغلال لـ GWO، مع معالجة قيوده مثل التقارب المبكر والحساسية لإعدادات المعلمات. يسمح النهج الهرمي بعملية بحث أكثر دقة، مما يمكّن الخوارزمية من التنقل عبر المناظر الطبيعية المعقدة للتحسين بشكل أكثر فعالية.
تستعرض الورقة أيضاً تطور GWO في الأدبيات، مع تسليط الضوء على شعبيته المتزايدة وتطبيقه عبر مجالات مختلفة. تشير إلى زيادة كبيرة في المنشورات المتعلقة بـ GWO من 2014 إلى 2021، مما يدل على قوته وقدرته على التكيف في حل مشاكل التحسين المتنوعة. تم اقتراح تحسينات مختلفة لـ GWO، تركز على تحسين عامل التقارب، وطرق التهيئة، وإجراءات التحديث. تهدف هذه التعديلات إلى التخفيف من مشاكل مثل احتجاز الحلول المحلية وتعزيز الأداء العام للخوارزمية. يؤكد المؤلفون أنه بينما تظهر HMS-GWO وعداً في التغلب على أوجه القصور في GWO، فإن التحقق التجريبي الإضافي من خلال التطبيقات الواقعية، لا سيما في تحسين أنظمة الطاقة، أمر ضروري لتقييم فعاليتها وقوتها.
القيود
يسلط قسم القيود في خوارزمية تحسين الذئب الرمادي التقليدي (GWO) الضوء على عدة تحديات تؤثر على تطبيقها في تحسين أنظمة الطاقة. بينما تعتبر GWO خوارزمية ميتاهيرستية قوية مستوحاة من الهيكل الاجتماعي واستراتيجيات الصيد للذئاب، إلا أنها تعاني من مشاكل مثل التقارب المبكر والحساسية لإعدادات المعلمات. تتفاقم هذه التحديات في سياق أنظمة الطاقة، التي غالباً ما تتضمن أبعاداً عالية، وغير خطية، وقيود متعددة.
بالإضافة إلى ذلك، يناقش القسم قيوداً محددة تتعلق بخطوات تشغيل الخوارزمية. على سبيل المثال، يقدم الخطوة 4 قيوداً على تكرار التقييم، مما يمكن أن يعزز الكفاءة من خلال تقليل التقييمات غير الضرورية في الخطوات اللاحقة. علاوة على ذلك، تهدف عملية صنع القرار القائمة على التوافق، التي تشمل الذئب ألفا وأعضاء آخرين من القطيع، إلى تعزيز الحلول الأكثر موثوقية. كما تم الإشارة إلى إمكانية التعديل الديناميكي لقيود الخطوة بناءً على تقدم التحسين، مما يقترح آلية تكيفية يمكن أن تحسن أداء الخوارزمية في السيناريوهات المعقدة.
DOI: https://doi.org/10.1038/s41598-025-92983-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40089626
Publication Date: 2025-03-15
Author(s): Idriss Dagal et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
The research paper presents the Hierarchical Multi-Step Gray Wolf Optimization (HMS-GWO) algorithm, which enhances the traditional Gray Wolf Optimization (GWO) by addressing its limitations, such as premature convergence and sensitivity to parameter settings. HMS-GWO introduces a hierarchical decision-making framework that mimics the social structure of wolf packs, allowing different wolf types (Alpha, Beta, Delta, and Omega) to engage in a structured multi-step search process. This innovative approach improves exploration and exploitation capabilities, resulting in enhanced solution diversity and reduced stagnation.
The performance of HMS-GWO was rigorously evaluated against a benchmark suite of 23 functions, achieving an impressive 99% accuracy, a computational time of 3 seconds, and a stability score of 0.9. When compared to other advanced optimization techniques, including Genetic Algorithms (GA), Particle Swarm Optimization (PSO), and various GWO variants, HMS-GWO exhibited superior convergence speed and solution quality. Additionally, the algorithm was successfully applied to the IEEE 30-bus test system, demonstrating its effectiveness in optimizing real-world power grid operations. The results indicate that HMS-GWO is a robust and efficient method for solving complex optimization problems across various domains.
Methods
The HMS-GWO algorithm is structured hierarchically, consisting of four types of wolves: Alpha, Beta, Delta, and Omega. Each type of wolf engages in a multi-step search process that integrates exploration, exploitation, and decision-making phases. This dynamic adaptation allows the algorithm to modify the sequence of steps based on real-time conditions and feedback received from higher-level wolves, as detailed in Table 4. This methodological framework enhances the algorithm’s efficiency in navigating complex problem spaces.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ positively influences variable $Y$, as evidenced by a p-value of less than 0.05, suggesting a strong likelihood that this relationship is not due to chance.
Additionally, the analysis reveals that the interaction between variables $A$ and $B$ produces a notable effect on the outcome variable $C$. This interaction effect was quantified using regression analysis, which yielded an adjusted R-squared value of 0.75, indicating that the model explains a substantial portion of the variance in $C$. Overall, these findings contribute to the understanding of the underlying mechanisms at play and suggest potential avenues for further research in this domain.
Discussion
The discussion section of the paper presents the Hierarchical Multi-Step Gray Wolf Optimization (HMS-GWO) algorithm, which enhances the traditional Gray Wolf Optimizer (GWO) by introducing a hierarchical structure comprising four distinct wolf types (Alpha, Beta, Delta, and Omega) and a multi-step search strategy. This innovative framework aims to improve the exploration and exploitation capabilities of the GWO, addressing its limitations such as premature convergence and sensitivity to parameter settings. The hierarchical approach allows for a more nuanced search process, enabling the algorithm to navigate complex optimization landscapes more effectively.
The paper also reviews the evolution of GWO in the literature, highlighting its growing popularity and application across various fields. It notes a significant increase in GWO-related publications from 2014 to 2021, indicating its robustness and adaptability in solving diverse optimization problems. Various enhancements to GWO have been proposed, focusing on improving the convergence factor, initialization methods, and update procedures. These adaptations aim to mitigate issues like local optima entrapment and enhance the algorithm’s overall performance. The authors emphasize that while HMS-GWO shows promise in overcoming GWO’s shortcomings, further empirical validation through real-world applications, particularly in energy systems optimization, is essential for assessing its effectiveness and robustness.
Limitations
The section on limitations of the traditional Gray Wolf Optimization (GWO) algorithm highlights several challenges that affect its application in energy systems optimization. While GWO is a robust metaheuristic inspired by the social structure and hunting strategies of wolves, it suffers from issues such as premature convergence and sensitivity to parameter settings. These challenges are exacerbated in the context of energy systems, which often involve high dimensionality, nonlinearity, and multiple constraints.
Additionally, the section discusses specific limitations related to the algorithm’s operational steps. For instance, Step 4 introduces a limitation on evaluation frequency, which can enhance efficiency by reducing unnecessary evaluations in later steps. Furthermore, the consensus-based decision-making process, involving the alpha wolf and other members of the pack, aims to foster more reliable solutions. The potential for dynamic adjustment of the step limitation based on optimization progress is also noted, suggesting an adaptive mechanism that could further improve the algorithm’s performance in complex scenarios.