Elite-driven-grey-wolf-optimization (EDGWO)

Introduction

這個專案實作了 EDGWO 的演算法內容以及進行了論文內容與其他演算法的比較，並且嘗試優化 EDGWO，我針對演算法容易陷入局部最佳解以及參數適應性不足的問題，提出了 EDGWO_Kao 版本，進一步提升了全局探索與區域開發的平衡能力。

如果你想了解完整的 EDGWO 演算法核心理論、數學公式推導與論文詳細介紹，請參考我寫的 論文與演算法介紹。

Repository structure

本專案的目錄結構如下，主要分為演算法實作、歷史紀錄與繪圖輸出：

├── algorithm/            # 存放各種最佳化演算法的 Python 實作
│   ├── EDGWO.py          # 基礎 EDGWO 演算法
│   ├── EDGWO_Kao.py      # 本專案改良版 EDGWO 演算法
│   ├── Gwo.py          
│   ├── PSO.py          
│   └── ... (包含 BES, cHGWOSCA, CHoA, HHO, MSGWO, REEGWO, SCSO 等)
├── assest/               # 論文比較照片儲存位置
├── history/              # 實驗紀錄與歷史數據儲存位置
├── photo/                # 實驗結果收斂圖表匯出資料夾
│   ├── 10_dim/           # 10 維度測試結果圖表
│   └── 20_dim/           # 20 維度測試結果圖表
├── main.py               # 實驗執行主程式
├── setting.py            # 實驗參數設定檔
├── requirement.txt       # 專案相依套件清單
├── README.md            
└── PAPER_INTRO.md        # 論文演算法詳細介紹

Features

• 多種演算法實作：除了 EDGWO 外，同時整合了十多種常見與先進的元啟發式演算法以利橫向比較。
• 標準測試集驗證：支援 CEC2021 與 CEC2022 標準測試函數集(10/20 維度)，提供具公信力的實驗結果。

Usage

可以按照以下方式執行程式 :

# 1. 複製專案
git clone https://github.com/KaoBraBra/edgwo-python.git
cd edgwo-python

# 2. 安裝套件
pip install -r requirement.txt

# 3. 執行程式 (可以先透過 setting 調整參數)
python main.py

以下為 setting 內容 :

dim = 20            # 維度
num_particles = 30  # 狼的總數
max_iter = 500      # 最多循環次數
UB = 100            # 上界
LB = -100           # 下界
Shift_Val = 20      # 函數的偏移量
exe_Val = 30        # 執行的次數

Experimental Results

以下為論文中的比對項目，包括 CEC 2021 以及 CEC 2022。

1. CEC2021 In 10-Dimension

Type	我實作的 EDGWO	論文中實作的 EDGWO
F3
F6
F8
F11

---

2. CEC2021 In 20-Dimension

Type	我實作的 EDGWO	論文中實作的 EDGWO
F4
F7
F8
F9

---

3. CEC2022 In 10-Dimension

Type	我實作的 EDGWO	論文中實作的 EDGWO
F2
F6
F8
F12

---

4. CEC2022 In 20-Dimension

Type	我實作的 EDGWO	論文中實作的 EDGWO
F7
F9
F10
F11

---

5. EDGWO v.s. EDGWO_Kao

EDGWO_Kao 是我嘗試改良的版本，我發現 EDGWO 在各個資料集上的表現其實沒有很穩定，並且還是有機會陷入區域最佳解，於是我嘗試了以下的改變。改良版本在某些資料會顯著的表現表現比原版好，例如 CEC2021 F8 以及 CEC2022 F10，在其他資料及則會有與原本差不多的表現。

停滯檢測與重置 ()：

• 演算法會監控最佳適應度，若在一定周期內內進步幅度小於設定的容忍值，則判定演算法陷入停滯。
• 觸發重置時，會將表現最差的 $15%$ 個體，在當前最佳解附近以一定半徑內範圍重新生成，藉此跳脫局部最佳解，該半徑會隨時間而縮短。

# 1. Stagnation Detection
tolerance = 1e-5
if (prev_f_alpha - f_alpha) < tolerance:
    counter += 1
else:
    counter = 0
    prev_f_alpha = f_alpha
    
if counter >= patient:
    worst_indices = np.argsort(curr_scores)[-replace_num:]
    radius = (UB - LB) * 0.2 * (1 - t / tmax)
    X[worst_indices] = X_alpha + np.random.uniform(-radius, radius, (replace_num, Dim))
    counter = 0

多樣性動態參數：

• 棄用原版線性遞減的參數 $a$，改採非線性遞減策略：$a = 2 \times (1 - (t / t_{max})^2)$。
• 每次迭代計算群體多樣性比例 div_ratio。當處於探索前中期且群體多樣性大幅下降時，強制將收斂參數 $a$ 拉高，以恢復群體的探索能力。

# 2. Diversity-Driven Parameter Adaptation
X_m = np.mean(X, axis=0)
curr_div = np.mean(np.linalg.norm(X - X_m, axis=1))

if t == 0:
    max_div = curr_div
    
div_ratio = curr_div / (max_div + 1e-10)
a = 2 * (1 - (t / tmax)**2)

if div_ratio < 0.1 and t < 0.7 * tmax:
    a = min(2.0, a + 0.5) 

Conclusion

本專案重現了 EDGWO 的演算法機制，並且提出嘗試優化的 EDGWO_Kao 版本。藉由在標準 CEC2021 與 CEC2022 基準測試集上的驗證，EDGWO_Kao 在部分資料集能夠有超越 EDGWO 的表現，表示本專案所引入的「停滯偵測重置」與「多樣性驅動」設計能更有效地避免早熟收斂，並在全域探索與局部開發中取得更佳的平衡。

Author

Shao-Lun Kao
B.S. in Computer Science and Engineering, National Sun Yat-sen University (NSYSU)