کد الگوریتم گرگ خاکستری در پایتون Python

در این پست سورس کد الگوریتم گرگ خاکستری در پایتون Python قرار گرفته شده است. این سورس کد به زبان پایتون Python برای الگوریتم گرگ خاکستری نوشته شده است. این سورس کد بر اساس ۱۲ توابع تست الگوریتم گرگ خاکستری را اجرا می‌کند. در ادامه مختصری از الگوریتم برای درک کد الگوریتم GWO در پایتون بیان می‌شود.

الگوریتم گرگ خاکستری چیست؟

الگوریتم گرگ خاکستری GWO یک الگوریتم متاهیورستیک یا فرا ابتکاری است و برای مسائل بهینه سازی از آن استفاده می‌شود. که از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ‌های خاکستری در هنگام شکار کردن و حمله به طعمه الهام گرفته است. این الگوریتم مبتنی بر جمعیت Population-Based بوده، روال ساده‌ای دارد. در هر گله از گرگ‌ها برای شکار کردن ۴ درجه وجود دارد که مانند شکل زیر به صورت یک ساختار هرمی مدل می‌شود.

• گرگ‌های رهبر گروه alpha نامیده می‌شوند که می‌توانند مذکر یا مونث باشند. این گرگ‌ها بر گله تسلط دارند
• گرگ‌های beta: کمک به گرگ‌های alpha در فرایند تصمیم گیری بوده و همچنین مستعد انتخاب شدن به جای آن‌ها هستند.
• گرگ‌های delta: پایین‌تر از گرگ‌های beta و شامل گرگ‌های پیر، شکارچی‌ها و گرگ‌های مراقبت کننده از نوزادان
• گرگ‌های omega: پایین‌ترین مرتبه در هرم سلسله مراتب که کمترین حق را نسبت به بقیه اعضای گروه دارند. بعد از همه غذا می‌خورند و در فرایند تصمیم گیری مشارکتی ندارند.

روش شکار در گرگ های خاکستری

شکار در گرگ‌های خاکستری شامل ۳ مرحله اصلی است:

1. مشاهده شکار، ردیابی و تعقیب آن (tracking and approaching)
2. نزدیک شدن، احاطه کردن (حلقه زدن) به دور شکار و گمراه کردن آن تا زمانی که از حرکت باز بماند (Pursing and encircling)
3. حمله به شکار (attacking)

در سورس کد الگوریتم گرگ خاکستری در پایتون Python ساختار سلسله مراتبی و رفتار اجتماعی گرگ‌ها در حین فرآیند شکار به صورت ریاضی مدل شده و برای طراحی الگوریتمی برای بهینه سازی مورد استفاده قرار گرفته است.

بهینه سازی با استفاده از گرگ‌های alpha, beta و delta انجام می‌شود. یک گرگ به عنوان alpha هدایت کننده اصلی الگوریتم فرض می‌شود و یک گرگ beta و delta نیز مشارکت دارند و بقیه گرگ‌ها به عنوان دنبال کننده آن‌ها محسوب می‌شوند. گرگ‌های خاکستری توانایی تخمین موقعیت شکار را دارند. برای مدل سازی این فرایند مراحل زیر را ببینید:

در جستجوی اولیه هیچ ایده‌ای در مورد موقعیت شکار نداریم. فرض می‌شود گرگ‌های alpha, beta, delta دانش اول بهتری در خصوص موقعیت شکار (نقه بهینه جواب) دارند.

وقتی شکار توسط گرگ‌ها احاطه شده و از حرکت بایستد حمله به رهبری گرگ alpha شروع می‌شود. مدل کدن این فرایند با استفاده از کاهش بردار a انجام می‌شود. از آنجا که A برداری تصادفی در بازه [-۲a,2a] است، با کاهش a، بردار ضرایب A هم کاهش می‌یابد. اگر |A|<1 باشد، گرگ alpha به شکار ( و بقیه گرگ‌ها) نزدیک می‌شود و اگر |A|>1 گرگ از شکار ( و بقیه گرگ‌ها) دور خواهد شد. الگوریتم گرگ خاکستری الزام دارد که تمام گرگ‌ها موقعیت خود را برحسب موقعیت گرگ‌های alpha, beta, delta آپدیت کنند.

مرحله جستجو

مرحله جستجو پروسه‌ای دقیقا عکس فرایند حمله دارد: در هنگام جستجو گرگ‌ها از یکدیگر دور می‌شوند تا شکار را ردیابی کنند (|A|>1) در حالی که پس از ردیابی شکار، گرگ‌ها در فاز حمله به یکدیگر نزدیک می‌شوند (|A|<1). به این پروسه واگرایی در جستجو – همگرایی در حمله می‌گویند.

Exploration: |A|>1

Exploitation: |A|<1

نقش بردار C: بردار C به عنوان موانع موجود در طبیعت که نزدیک شدن گرگ‌ها به شکار را کند می‌کنند در نظر گرفته می‌شود. بردار C به شکار وزن داده و ان را برای گرگ‌ها غیر قابل دستیابی‌تر می‌کند. این بردار برخلاف a به صورت خطی از ۲ تا صفر کاهش نمی‌یابد.

ترتیب الگوریتم GWO در کد الگوریتم گرگ خاکستری در پایتون Python

برازندگی کلیه جواب‌ها محاسبه شده و سه جواب برتر به عنوان alpha, beta, deltaتا پایان الگوریتم انتخاب می‌شوند. در هر تکرار سه جواب برتر (گرگ های alpha, beta, delta) قابلیت تخمین موقعیت شکار را داشته و این کار را در هر iteration با استفاده از رابطه زیر انجام می‌دهند:

• در هر تکرار بعد از تعیین موقعیت گرگ‌های alpha, beta, delta، آپدیت موقعیت بقیه جواب‌ها با تبعیت از آن‌ها انجام می‌شود.
• در هر تکرار بردار a (و به تبع آن A) و C آپدیت می‌شوند.
• در پایان تکرارها موقعیت گرگ alpha به عنوان نقطه بهینه معرفی می‌شود.

قسمت هایی از سورس کد

import CostFun as fit
import random
import numpy
import matplotlib.pyplot as plt   
  
Max_iter=100
lb=-10
ub=10
dim=30  
SearchAgents_no=5
    
# initialize alpha, beta, and delta_pos
Alpha_pos=numpy.zeros(dim)
Alpha_score=float("inf")
   
Beta_pos=numpy.zeros(dim)
Beta_score=float("inf")
    
Delta_pos=numpy.zeros(dim)
Delta_score=float("inf")

if not isinstance(lb, list):
  lb = [lb] * dim
if not isinstance(ub, list):
  ub = [ub] * dim
    
#Initialize the positions of search agents
Positions = numpy.zeros((SearchAgents_no, dim))
for i in range(dim):
  Positions[:, i] = numpy.random.uniform(0,1, SearchAgents_no) * (ub[i] - lb[i]) + lb[i]
    
Convergence_curve=numpy.zeros(Max_iter)

*** توجه ***

قبل از اجرای سورس کد الگوریتم در محیط پایتون حتماً از نصب پکیج‌های مورد استفاده در این سورس کد در Python خود مطمئن شوید پکیج‌های استفاده شده در این سورس کد numpy و matplotlib می‌باشد که اولی پکیج مربوط به استفاده از آرایه‌ها و ماتریس‌ها در پایتون و دومی مربوط به عملیات‌های نموداری و Plot گرفتن می‌باشد. پیشنهاد ما نصب اسپایدر (Spyder (Python 3.7 می‌باشد که هم پایتون و پکیج‌های مختلف و هم IDEهای مختلفی را همراه با امکان آپدیتشان نصب می‌کند.

درباره سورس کد الگوریتم GWO در پایتون

سورس کد الگوریتم گرگ خاکستری GWO در پایتون Python عنوان اثری است که در این پست به آن پرداخته شده است. اثر مذکور در پایتون و با IDE اسپایدر (Spyder (Python 3.7 نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر موردنظر آن را خریداری کنید.