موسسه آموزش عالی آپادانا نشریه مطالعات مهندسی کامپیوتر آپادانا - A Review of Grey Wolf Optimization and Its Improved Version for Solving Engineering Problems مروری بر بهینهسازی گرگ خاکستری و نسخه بهبود یافته آن برای حل مسائل مهندسی 10.22051/jera.2021.31891.2698 FA آرمان دانشجو کیمیا استادیار زهرا مربی Metaheuristic algorithms play an important role in solving complex and nonlinear problems in engineering sciences. The Gray Wolf Optimization Algorithm (GWO) is one of the most technical algorithms in this field, inspired by the social behavior and hunting strategies of gray wolves. This paper reviews GWO and its improved version (GWO-I) that includes innovative strategies such as dimensional leapfrogging. In addition to highlighting the strengths and weaknesses of these algorithms, novel approaches are presented for further improvement that can be used to improve reliability and efficiency in multidimensional problems. Optimization algorithms are well-known as fundamental tools for solving complex problems in various fields of engineering, reservoir design, and resource management. However, challenges such as local optima and changing population diversity limit the need for improved versions such as GWO-I. This paper introduces innovations for further development of this algorithm and explores the potential for its improvement and application in the future. الگوریتمهای فراابتکاری نقش مهمی در حل مسائل پیچیده و غیرخطی در علوم مهندسی ایفا میکنند. الگوریتم بهینهسازی گرگ خاکستری (GWO (یکی از موثرترین الگوریتمها در این حوزه است که از رفتار اجتماعی و استراتژیهای شکار گرگهای خاکستری الهام گرفته شده است. وین مقاله به بررسی GWO و نسخه بهبود یافته آن (GWO-I (میپردازد که شامل استراتژیهای نوآورانهای مانند جهش بُعدی است. عالوه بر برجسته کردن نقاط قوت و ضعف این الگوریتمها، ایدهای نوین برای بهبود بیشتر ارائه میشود که میتواند دقت و کارایی را در مسائل چندبعدی بهبود بخشد. الگوریتمهای بهینهسازی به عنوان ابزارهای اساسی برای حل مسائل پیچیده در حوزههای مختلف مهندسی شناخته شدهاند GWO .با ساختار ساده و رویکرد الهامگرفته از طبیعت، در زمینههایی مانند بهینهسازی سازه، طراحی مخازن و مدیریت منابع موفق عمل کرده است. با این حال، چالشهایی مانند گیر افتادن در بهینههای محلی و کاهش تنوع جمعیت بر نیاز به نسخههای بهبود یافتهای مانند GWO-I تأکید دارند. این مقاله نوآوری جدیدی را برای پیشرفت بیشتر این الگوریتم معرفی میکند و همچنین به بررسی پتانسیلهای آینده در بهبود و کاربردهای آن میپردازد . /downloadfilepdf/479526