<?xml version='1.0' encoding='UTF-8'?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName>موسسه آموزش عالی آپادانا</PublisherName>
      <JournalTitle>نشریه مطالعات مهندسی کامپیوتر آپادانا</JournalTitle>
      <Issn>-</Issn>
      <Volume>1</Volume>
      <Issue>2</Issue>
      <PubDate PubStatus="epublish">
        <Year>2024</Year>
        <Month>06</Month>
        <Day>05</Day>
      </PubDate>
    </Journal>

    <ArticleTitle>A review on the analysis and evaluation of the performance of the gray wolf optimization algorithm</ArticleTitle>
    <VernacularTitle>مروری برتحلیل و ارزیابی عملکرد الگوریتم بهینه سازی گرگ خاکستری</VernacularTitle>
    <FirstPage>49</FirstPage>
    <LastPage>54</LastPage>
    <ELocationID EIdType="doi">10.22051/jera.2021.31891.2698</ELocationID>
    <Language>FA</Language>

    <AuthorList>
      <Author>
        <FirstName>امیر</FirstName>
                <Affiliation>.</Affiliation>
      </Author>
      <Author>
        <FirstName>کیمیا</FirstName>
                <Affiliation>.</Affiliation>
      </Author>
    </AuthorList>

    <PublicationType></PublicationType>

    <History>
      <PubDate PubStatus="received">
        <Year>2024</Year>
        <Month>04</Month>
        <Day>04</Day>
      </PubDate>
    </History>

    <Abstract>.</Abstract>
    <OtherAbstract Language="FA">الگوریتم گرگ خاکستری (Gray Wolf Optimizer) یکی از روش‌های فراابتکاری الهام‌گرفته از طبیعت است که بر اساس رفتار اجتماعی و سلسله‌مراتب گروهی گرگ‌های خاکستری طراحی شده است. این الگوریتم به‌دلیل ساختار ساده، انعطاف‌پذیری و کارایی بالا، به‌ویژه در حل مسائل بهینه‌سازی پیچیده و چندبعدی، توجه زیادی را به خود جلب کرده است. در این مقاله مروری، ابتدا مبانی نظری الگوریتم گرگ خاکستری شامل مدل‌سازی رفتار گروهی، جست‌وجوی طعمه و همگرایی به سمت بهترین راه‌حل بررسی می‌شود. سپس، توسعه‌ها و اصلاحات متعددی که به‌منظور بهبود کارایی این الگوریتم در زمینه‌های مختلف ارائه شده‌اند، مرور می‌شوند. از جمله این اصلاحات می‌توان به ترکیب آن با سایر روش‌های هوشمند، بهبود مکانیزم جست‌وجو و افزایش پایداری در برابر بهینه‌های محلی اشاره کرد. کاربردهای الگوریتم در حوزه‌هایی مانند بهینه‌سازی مهندسی، طراحی شبکه‌های کامپیوتری، برنامه‌ریزی سیستم‌ها، و یادگیری ماشین مورد بررسی قرار گرفته است. همچنین، چالش‌ها و محدودیت‌های الگوریتم از جمله نیاز به تنظیم دقیق پارامترها و احتمال گیر افتادن در بهینه‌های محلی تحلیل شده است.</OtherAbstract>

    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">gray wolf</Param>
      </Object>
    </ObjectList>

    <ArchiveCopySource DocType="pdf">/downloadfilepdf/281360</ArchiveCopySource>
  </Article>
</ArticleSet>
