Resumen de Implementación del algoritmo meta-heurístico Gray Wolf Optimization para la optimización de funciones objetivo estándar

Randy Alonso Benítez, Jairo Rojas Delgado

• español

  En la actualidad surgen implementaciones de algoritmos metaheurísticos para dar soluciones a problemas reales en la vida cotidiana, debido a su capacidad de identificar regiones prometedoras e intensificar la búsqueda en las mismas. En este trabajo se realizó un estudio de los algoritmos metaheurísticos recientes en la literatura y específicamente del algoritmo Gray Wolf Optimization. Se implementó el algoritmo meta-heurístico Gray Wolf Optimization para la optimización de funciones objetivo estándar, en el lenguaje C++, se diseñaron y se aplicaron las pruebas de eficiencia y precisión arrojando como resultado que, el algoritmo Gray Wolf Optimization obtuvo mayor precisión al ser comparado con otros algoritmos metaheurísticos a pesar de no poseer hıper-parámetros ajustables a cada problema de optimización. Adicionalmente este algoritmo es menos eficiente que los algoritmos estudiados, no obstante, la diferencia observada en tiempo de ejecución se encuentra en el orden de los milisegundos. Se obtuvo como resultado un producto informático que favorecerá el mejoramiento de la optimización de funciones objetivo estándar para el desarrollo de futuras aplicaciones.

• English

  Nowadays, implementations of metaheuristic algorithms are very often emerging to provide solutions to real problems in everyday life, due to their ability to identify promising regions and intensify the search in them. A thorough study of recent metaheuristic algorithms in the literature was conducted. An in-depth study of the Gray Wolf Optimization algorithm was carried out, the Gray Wolf Optimization meta-heuristic algorithm was implemented for the optimization of standard objective functions, it was implemented in the C ++ language, efficiency and precision tests were designed and applied, yielding as a result that, the GWO algorithm obtained greater precision when compared with the PSO and FA algorithms despite not having hyper-adjustable parameters to each optimization problem and additionally this algorithm is less efficient than the PSO and FA algorithms, however, the difference observed at run time it is in the order of milliseconds. As a result, a computer product was obtained that will favor the improvement of the optimization of standard objective functions for the development of future applications.