V originále
Článek se zabývá problematikou heuristických optimalizačních smečkových algoritmů inspirovaných především společenským soužitím vlků obecných a jejich schopností ve smečkách dynamicky vytvářet vlastní hierarchii, ve které má každý člen jasně stanovenou roli. Díky tomuto principu vlci projevují při plnění denních úkolů vyšší míru inteligence, než jaké by byl schopen kterýkoliv z nich dosáhnout samostatně. Toto chování lze matematicky popsat, a tudíž simulovat v multiagentovém systému. Simulované chování se můžeme následně snažit optimalizovat podle předlohy reálných vlků. Smečkové algoritmy mají využití zejména při řešení optimalizačních problémů. Již v současné době našly uplatnění v celé řadě odvětví, jako jsou například neuronové sítě, inženýrství, počítačové sítě, ekonomie, matematika, medicína, počítačová grafika, aj. Článek je revizí již existujících publikací. Jeho cílem je vytvořit stručný přehled o dosavadních výsledcích v tomto oboru a opravit chyby, které původní publikace obsahují. Součástí článku jsou také nastíněný na vylepšení či rozšíření existujícího algoritmu a možnosti budoucího výzkumu.
Anglicky
This article is focused on heuristic optimisation algorithms inspired by the social dynamics found in packs of grey wolves and by their ability to dynamically create hierarchies in which every member has a clearly defined role. Thanks to this principle, the level of intelligence displayed by wolves accomplishing their daily tasks as a pack is higher than the intelligence level of wolves operating alone. This behaviour can be mathematically described and can, therefore, be simulated in a multi-agent system. Afterwards, we can attempt to optimise this simulated behaviour using real wolves as our template. Wolf Pack algorithms are primarily used for solving optimisation-based problems. Currently, they have already found use in a variety of fields, such as: neural networks, engineering, computer networks, economics, mathematics, medicine, computer graphics, and others. This article is a revision of preexisting publications. Its purpose is to create a brief summary of recorded results in this subject field, as well as to correct errors which are found in previous publications. Additionally, this article postulates various improvements and extensions to the algorithm and suggests potential areas for future study.