灰叶猴优化器：一种多组仿生优化算法

《ARTIFICIAL INTELLIGENCE REVIEW》：Gray langurs optimizer: a multi-group bio-inspired optimization algorithm

　　

摘要

许多现实世界的问题本质上是可优化的。这些问题通常具有众多的决策变量和约束条件，这使得优化目标函数变得非常困难。为了解决这些问题，引入了一组被称为元启发式算法的算法。这些算法能够在合理的时间内考虑问题约束条件，找到决策变量的最优值，从而优化目标函数的值。由于这些算法的重要性和广泛应用，本研究提出了一种新的元启发式优化算法——灰叶猴优化器（Gray Langurs Optimizer，简称GLO）。GLO的灵感来源于自然界中灰叶猴的群体行为。灰叶猴被观察到分为三种群体：单雄群体、多雄群体和全雄群体。GLO在数学上模拟了这三种群体中灰叶猴的群体行为和社会等级结构。GLO还考虑了由于群体首领或其他成员死亡、寻找配偶以及青春期等因素导致的灰叶猴在群体间的迁移行为。此外，GLO还模拟了灰叶猴在其领地内的任意行为。该算法在二十三个经典测试函数上进行了测试，包括单峰函数、多峰函数和固定维度基准函数，以及二十七个CEC17测试函数（这些测试函数包含了平移、旋转和复合类型的基准问题）。GLO还被应用于六个现实世界的问题中，其结果与八种最先进的算法进行了数值和可视化上的比较。实验结果表明，GLO在优化各种测试函数和实际问题方面具有很高的能力。GLO的MATLAB和Python实现代码可在此链接获取：https://nimakhodadadi.com。