GWO灰狼优化算法综述(Grey Wolf Optimization) |
您所在的位置:网站首页 › 优化算法的优点 › GWO灰狼优化算法综述(Grey Wolf Optimization) |
GWO通过模拟灰狼群体捕食行为,基于狼群群体协作的机制来达到优化的目的。
GWO算法具有结构简单、需要调节的参数少、容易实现等特点,其中存在能够自适应调整的收敛因子以及信息反馈机制,能够在局部寻优与全局搜索之间实现平衡,因此在对问题的求解精度和收敛速度方面都有良好的性能。 1. 灰狼优化算法原理![]() 第一层: 第二层: 第三层: 第四层: 灰狼的狩猎过程包含如下:①包围、跟踪猎物②追捕、骚扰猎物③攻击猎物。 2. 数学模型建立为了对 GWO中灰狼的社会等级进行数学建模,将前3匹最好的狼(最优解)分别定义为α,β和δ,它们指导其他狼向着目标搜索。其余的狼 (候选解)被定义为 ω,它们围绕α,β或δ来更新位置。 2.1 包围猎物在 GWO 中,灰狼在狩猎过程中利用以下位置更新公式实现对猎物的包围 : 式(1)为灰狼和猎物之间的距离,式(2)是灰狼的位置更新公式, 其中, 在自然界中,虽然狩猎过程通常由头狼 α 狼引导,其它等级的狼配合对猎物进行包围、追捕和攻击,但在演化计算过程中,猎物(最优解)位置 X1、X2、X3分别表示受 这里取平均值,即 灰狼的位置更新方式可以用下图表示。 在下面的公式中,t 表示当前迭代次数,T 为设定的最大迭代次数。当 a的值从 2 递减至 0时,其对应的 A 的值也在区间[-a, a]变化: a 的取值越大则会使灰狼远离猎物,希望找到一个更适合的猎物,因而促使狼群进行全局搜索(|𝐴| > 1),若 a 的取值越小则会使灰狼靠近猎物,促使狼群进行局部搜索(|𝐴| < 1)。 GWO灰狼算法的Matlab代码如下: %pop——种群数量 %dim——问题维度 %ub——变量上界,[1,dim]矩阵 %lb——变量下界,[1,dim]矩阵 %fobj——适应度函数(指针) %MaxIter——最大迭代次数 %Best_Pos——x的最佳值 %Best_Score——最优适应度值 clc; clear all; close all; pop=50; dim=2; ub=[10,10]; lb=[-10,-10]; MaxIter=100; fobj=@(x)fitness(x);%设置适应度函数 [Best_Pos,Best_Score,IterCurve]=GWO(pop,dim,ub,lb,fobj,MaxIter); %…………………………………………绘图………………………………………… figure(1); plot(IterCurve,'r-','linewidth',2); grid on; title('灰狼迭代曲线'); xlabel('迭代次数'); ylabel('适应度值'); %…………………………………… 结果显示…………………………………… disp(['求解得到的x1,x2是:',num2str(Best_Pos(1)),' ',num2str(Best_Pos(2))]); disp(['最优解对应的函数:',num2str(Best_Score)]); %种群初始化函数 function x=initialization(pop,ub,lb,dim) for i=1:pop for j=1:dim x(i,j)=(ub(j)-lb(j))*rand()+lb(j); end end end %狼群越界调整函数 function x=BoundrayCheck(x,ub,lb,dim) for i=1:size(x,1) for j=1:dim if x(i,j)>ub(j) x(i,j)=ub(j); end if x(i,j)Beta_Score&&Fitness(i) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |