Η παρούσα πτυχιακή εργασία έχει ως αντικείμενο την παρουσίαση του μεταευρετικού αλγορίθμου με τίτλο Βελτιστοποιητής Γκρίζων Λύκων (Grey Wolf Optimizer - GWO), ο οποίος ανήκει στη γενικότερη κατηγορία των Μεταευρετικών Αλγορίθμων Νοημοσύνης Σμήνους (Swarm Intelligence Metaheuristic Algorithms). Οι συγκεκριμένοι αλγόριθμοι βρίσκουν εφαρμογή σε πληθώρα πεδίων, όπως η βελτιστοποίηση συνδυαστικών προβλημάτων, η εκπαίδευση τεχνητών νευρωνικών δικτύων, η ρομποτική, καθώς και σε χρηματοοικονομικές εφαρμογές, όπως η πρόβλεψη της απόδοσης χρηματοοικονομικών μέσων.

Ο αλγόριθμος Grey Wolf Optimizer προτάθηκε αρχικά το 2013, ενώ το 2019 παρουσιάστηκε μια βελτιωμένη εκδοχή του. Ο αλγόριθμος είναι εμπνευσμένος από τη συμπεριφορά και τον τρόπο διαβίωσης των γκρίζων λύκων, ιδιαίτερα από τις στρατηγικές κυνηγιού και τη δυναμική της αγέλης τους, οι οποίες χρησιμοποιούνται ως βασικοί μηχανισμοί για την εύρεση τροφής, καθώς και από την εξερεύνηση και την αναπαραγωγική συμπεριφορά τους.

Η υλοποίηση του αλγορίθμου πραγματοποιήθηκε στη γλώσσα προγραμματισμού Python με τη χρήση διαφόρων κατάλληλων βιβλιοθηκών και ο κώδικας παρατίθεται στο Παράρτημα «Α» της παρούσας εργασίας. Στο πλαίσιο της εργασίας πραγματοποιείται συγκριτική αξιολόγηση της υλοποίησης, τόσο με άλλους αλγορίθμους όσο και μέσω παραμετρικής ανάλυσης, με σκοπό  την εξέταση της αποδοτικότητας της σε διαφορετικά προβλήματα βελτιστοποίησης.

This thesis presents the Grey Wolf Optimizer (GWO), a metaheuristic algorithm that belongs to the broader family of Swarm Intelligence algorithms. These algorithms have found applications in various fields, including combinatorial optimization, artificial neural network training, robotics, and financial forecasting, such as predicting the performance of financial assets.

The Grey Wolf Optimizer was first introduced in 2013, and an improved version was proposed in 2019. It is inspired by the social behavior and hunting strategies of grey wolves, particularly their hierarchical structure of their packs and their cooperative techniques for hunting, exploration, and reproduction.

The algorithm has been implemented in the Python programming language using various scientific libraries. The complete source code is included in Appendix «Α». Furthermore, this thesis provides a comprehensive performance evaluation of the implementation. The algorithm is benchmarked against other well-known metaheuristics and a sensitivity analysis of its key parameters is conducted, in order to assess its effectiveness and robustness across various optimization problems.