در این مقاله یک الگوریتم اصلاح­شده گرگ خاکستری جهت استفاده در کاربردهای مهندسی ارائه می­گردد. الگوریتم گرگ خاکستری از جمله روش­های بهینه­سازی فراابتکاری است که به دلیل قابلیت­های خوبی که دارد، به تازگی مورد استفاده گسترده محققان قرار گرفته است. مکانیزم عاری از مشتق­گیری، سادگی در اجرا و پیاده­سازی و تنها نیاز به تابع هدف به عنوان ورودی مسئله، از جمله مواردی است که الگوریتم گرگ خاکستری را محبوب و مورد توجه می­کند. اما مشکلی که در خصوص آن می توان اشاره کرد این است که ضریب کاهشی مورد استفاده در آن خطی است و در برخی مسایل غیر خطی سبب ایجاد خطای بیشتر یا دیر همگرا شدن به جواب اصلی می­گردد. این نقصان با ارائه یک الگوریتم گرگ خاکستری اصلاح شده مرتفع می­شود. سپس نتایج در قالب یک مثال عددی کاربردی در علوم مهندسی با الگوریتم اولیه گرگ خاکستری و همچنین برخی ضرایب پیشنهاد شده مشابه مقایسه می­گردد تا کارآیی الگوریتم اصلاح شده، مشخص شود.

در این تحقیق با استفاده از الگوریتم گرگ خاکستری(GWO) به طراحی بهینه سرریز کنگره ای ذوزنقه ای با توجه به شرایط هیدرولیکی مورد نظر پرداخته شده است. با انتخاب حجم بتن مصرفی سرریز به عنوان تابع هدف، پس از چندین بار اجرای مدل و سعی و خطا، مقادیر پارامترهای الگوریتم نظیر تعداد تکرار، تعداد گرگ و ضریب جریمه به ترتیب، 1000، 30 و 1011 تعیین گردید و با پنج بار آزمایش، در تکرار 996، پاسخ بهینه تابع هدف حاصل شد. مقدار به دست آمده از الگوریتم پیشنهادی با مقدار واقعی و همچنین نتایج الگوریتم های جستجوی فاخته، ژنتیک و تکامل تفاضلی در مطالعات پیشین مقایسه گردید. استفاده از الگوریتم گرگ خاکستری در طراحی ابعاد سرریز کنگره ای سد مورد نظر، کاهش 928/40 درصدی حجم بتن ریزی و افزایش 71/10 درصدی دبی عبوری نسبت به مقدار واقعی را در پی داشت که در مقایسه با الگوریتم های فوق الذکر عملکرد بهتری از خود نشان داد. کاهش قابل ملاحظه حجم بتن مصرفی در سرریز پیشنهادی با استفاده از الگوریتم گرگ خاکستری نسبت به نمونه اجرا شده، نماینگر توانایی و لزوم استفاده از این الگوریتم جهت حل مسائل بهینه سازی در حوزه سرریزها می باشد.

خرابی در سازه ها باعث کاهش سختی در بعضی از اعضای آن می شود که این کاهش سختی باعث تغییر در پارامتر های مودال سازه (فرکانس طبیعی، اشکال مودی و. . . ) و نیز باعث تغییر در پاسخ دینامیکی سازه (شتاب، سرعت و جابجایی) می شود. بنابراین داده های سازه سالم متفاوت با سازه آسیب دیده می باشد و می تواند به عنوان عاملی برای تشخیص خرابی مورد استفاده قرار بگیرد. اخیرا روش های گوناگونی برای تشخیص خرابی مورد استفاده قرار گرفته اند که در این بین روش های غیرمخرب و استفاده از پاسخ های سازه برای تشخیص خرابی بیشتر مورد توجه قرار گرفته اند. هدف از این مطالعه ارایه روشی برای برآورد مقادیر خرابی سازه براساس اندازه گیری بخش محدودی از مشخصات مودال (فرکانس طبیعی) و مقایسه نتایج بدست آمده با نتایج حاصل از اندازه گیری پاسخ دینامیکی سازه (شتاب) در تعداد محدودی از درجات آزادی می باشد. به منظور تشخیص خرابی دو تابع هدف تعریف گردید: یکی با استفاده از پارامترهای مودال و دیگری مبتنی بر داده های پاسخ دینامیکی سازه. برای بهینه یابی این توابع، یک الگوریتم جدید از ترکیب الگوریتم بهینه سازی گرگ خاکستری و ازدحام ذرات تعریف و نتایج حاصل از آن با نتایج الگوریتم های ژنتیک و ازدحام ذرات مقایسه شده است. دو مثال شامل سازه برشی 10 طبقه و خرپای دو بعدی 10 عضوی در نظر گرفته می شود و عملکرد روش پیشنهادی در شناسایی خرابی مورد ارزیابی قرار می گیرد. نتایج نشان دهنده کارایی قابل قبول روش پیشنهادی می باشد.

محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه های تلفن همراه به سرورهای لبه در سیستم های محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیه شده برای ماشین های مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمان بندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.

این مقاله از یک روش فرا ابتکاری جدید به نام بهینه ساز گرگ خاکستری (GWO) به منظور دسته بندی دادگان سونار استفاده می کند. الگوریتم GWO از سلسله مراتب رهبری و سازوکار شکار گرگ های خاکستری در طبیعت تقلید می کند. در این الگوریتم از چهار نوع گرگ خاکستری شامل آلفا، بتا، دلتا و امگا برای شبیه سازی سلسله مراتب رهبری استفاده شده است. علاوه بر این، سه مرحله اصلی شکار شامل جستجوی طعمه، محاصره طعمه و حمله به طعمه شبیه سازی می شوند. در ابتدا الگوریتم موردنظر توسط 23 تابع آزمون شناخته شده به خوبی ارزیابی شده و نتایج به دست آمده با روش بهینه سازی ازدحام ذرات (PSO) مقایسه می شوند. نتایج نشان می دهد که الگوریتم GWO قادر به ارائه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینه محلی در مقایسه با الگوریتم PSO است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارائه شده در زمینه دسته بندی دادگان سونار بیان می شود. نتایج حاصله نشان می دهد که دسته بندی کننده طراحی شده با الگوریتم گرگ خاکستری دادگان سونار را با دقت %96.67 دسته بندی می کند، این در حالی است که PSO دقت %92.33 را حاصل می نماید.

بازار برق در جهان امروز، به صورت علمی شناخته شده است و رقابت در آن هر روز بیشتر از قبل می شود. در این میان، ابزار پیش بینی قیمت به شرکت کنندگان بازار در به دست آوردن سود هرچه بیشتر، کمک شایانی می کند. هدف پژوهش حاضر، گسترش شبکه ی عصبی و بهینه سازی آن توسط الگوریتم گرگ خاکستری برای پیش بینی قیمت بازار برق است. از آنجا که در مدل های سنتی و همچنین مدل شبکه های عصبی همواره از روش های احتمالاتی جهت افزایش دقت پیش بینی استفاده می شود؛ در این مدل، سعی شده تا با ارائه ی روشی جدید، از این موارد صرف نظر شود تا برای پیش بینی، وقت کمتری نیاز باشد. یکی از موضوعاتی که همواره دقت پیش بینی را تحت تأثیر قرار می دهد، وجود موارد بحرانی و ناگهانی در سیستم است؛ که در این تحقیق، با استفاده از روش های کارآمد، این مسائل کنترل خواهد شد. در مدل پیشنهادشده، از اطلاعات بازار برق نوردیک استفاده شده است؛ اما بدیهی است که مدل مزبور برای هر بازار دیگری قابل استفاده می باشد. در پایان برای نشان دادن دقت این مدل، مقایسه ای بین آن و یکی از روش های سنتی انجام شده است.

بسیاری از مسائل بهینه سازی دنیای واقعی، مسائلی پیچیده با ابعاد بالا هستند که با افزایش ابعاد، فضای جواب به صورت نمایی افزایش می یابد. از این رو الگوریتم های دقیق که تمام فضای مسأله را برای یافتن جواب پیمایش می کنند، در زمان قابل قبولی نمی-توانند به جواب دست یابند و از الگوریتم های تقریبی برای حل این مسائل استفاده می شوند. از دسته این الگوریتم ها، می توان به الگوریتم های فراابتکاری اشاره کرد که نشان داده اند کارایی خوبی دارند. الگوریتم بهینه سازی گرگ خاکستری از جمله ی این الگوریتم ها است. اما ساختار الگوریتم، توانایی اکتشاف آن را برای حل مسائل پیچیده با ابعاد بالا محدود می کند و در اواسط اجرای الگوریتم ممکن است به دام بهینه های محلی گرفتار گردد. در این حالت به تدریج تنوع جمعیت کم می گردد و در برخی موارد قادر به فرار از این بهینه های محلی نیست و دچار همگرایی زودرس می گردد. از این رو، در این تحقیق، نسخه بهبود یافته ای از الگوریتم گرگ خاکستری به نام الگوریتم بهینه سازی گرگ خاکستری مبتنی بر شرایط ارائه می گردد، که با جداسازی مرحله اکتشاف از بهره برداری و فراهم آوردن امکان فرار از بهینه های محلی در هر تکرار، همچنین بهبود توازن بین اکتشاف و بهره برداری، راه حل های جدیدی ارائه می دهد که در صورت بهتر بودن جایگزین راه حل های قبلی می شوند. الگوریتم پیشنهادی با چند نسخه از الگوریتم های بهبود یافته گرگ خاکستری، همچنین الگوریتم های بهینه سازی ازدحام ذرات، کفتار خالدار، شاهین هریس، اسب وحشی، عقاب و کرکس آفریقایی که از جمله الگوریتم های فراابتکاری بسیار جدید هستند، برای یافتن نقاط بهینه در توابع بهینه سازی CEC2018 و پارامترهای مسأله مهندسی طراحی مخزن فشار مقایسه شده است. نتایج ارزیابی، حاکی از بهبود قابل توجه نتایج الگوریتم پیشنهادی نسبت به سایر الگوریتم های مورد مقایسه است.

با گسترش اینترنت و تولید دوربین های دیجیتال ارزان و دوربین های تلفن همراه، حجم وسیعی از تصاویر مختلف در اختیار کاربران قرارگرفته است که منجر به ایجاد پایگاه داده های گسترده ای گردیده است. همجوشی تصاویر برای ترکیب دو یا چند تصویر و رسیدن به یک تصویر مطلوب به کار گرفته می شود که تصویر به دست آمده حاوی اطلاعات بیشتر و دقت بهتری از تصاویر ورودی می باشد. در این مقاله یک رویکرد ترکیبی مبتنی بر تجزیه حالت متغیر و الگوریتم بهینه سازی گرگ خاکستری برای بهبود کیفیت تصاویر پیشنهاد شده است. بررسی نتایج نشان می دهد که روش پیشنهادی در الگوهای مختلف تصویری نسبت به مدل های پایه یادگیری ماشین، مدل های نظارت شده یادگیری عمیق و همچنین مدل های بدون ناظر یادگیری عمیق، تصاویر باکیفیت و غنی تری ارائه می دهد؛ به نحوی که میانگین آنتروپی به دست آمده برای تصاویر همجوشی شده برابر با 57/7 و میانگین کیفیت تصویر 9958/0 می باشد، این در حالی است که رویکرد فیلتر هدایت شونده نامناسب ترین عملکرد را در هر دو شاخص دارد. همچنین پس از روش پیشنهادی، رویکرد بدون ناظر یادگیری عمیق بهترین عملکرد را داشته که به عنوان طرح پایه نیز در نظر گرفته شده است؛ روش پیشنهادی در شاخص آنتروپی به میزان 6/0 درصد و در شاخص کیفیت تصویر به میزان 04/0 درصد نسبت به طرح پایه بهبود داشته است.