【智能优化算法-灰狼算法】基于贪婪非分级灰狼优化器求解单目标优化问题附matlab代码

1 内容介绍

灰狼优化（GWO）算法是一种新兴的算法，它基于灰狼的社会等级以及它们的狩猎和合作策略。 该算法于 年推出，已被大量研究人员和设计人员使用，原始论文的引用次数超过了许多其他算法。 在 Niu 等人最近的一项研究中，介绍了该算法优化现实问题的主要缺点之一。 总之，他们表明，随着问题的最优解偏离 0，GWO 的性能会下降。在本文中，通过对原始 GWO 算法进行直接修改，即忽略其社会等级，作者能够在很大程度上消除 这一缺陷为今后使用该算法开辟了新的视角。 通过将其应用于基准和实际工程问题，验证了所提出方法的有效性。

2 仿真代码

clc

clear

global NFE

NFE=0;

nPop=30; % Number of search agents (Population Number)

MaxIt=1000; % Maximum number of iterations

nVar=30; % Number of Optimization Variables

nFun=1; % Function No, select any integer number from 1 to 14

CostFunction=@(x,nFun) Cost(x,nFun); % Cost Function

%% Problem Definition

VarMin=-100; % Decision Variables Lower Bound

if nFun==7

VarMin=-600; % Decision Variables Lower Bound

end

if nFun==8

VarMin=-32; % Decision Variables Lower Bound

end

if nFun==9

VarMin=-5; % Decision Variables Lower Bound

end

if nFun==10

VarMin=-5; % Decision Variables Lower Bound

end

if nFun==11

VarMin=-0.5; % Decision Variables Lower Bound

end

if nFun==12

VarMin=-pi; % Decision Variables Lower Bound

end

if nFun==14

VarMin=-100; % Decision Variables Lower Bound

end

VarMax= -VarMin; % Decision Variables Upper Bound

if nFun==13

VarMin=-3; % Decision Variables Lower Bound

VarMax= 1; % Decision Variables Upper Bound

end

%% Grey Wold Optimizer (GWO)

% Initialize Alpha, Beta, and Delta

Alpha_pos=zeros(1,nVar);

Alpha_score=inf;

Beta_pos=zeros(1,nVar);

Beta_score=inf;

Delta_pos=zeros(1,nVar);

Delta_score=inf;

%Initialize the positions of search agents

Positions=rand(nPop,nVar).*(VarMax-VarMin)+VarMin;

BestCosts=zeros(1,MaxIt);

fitness=nan(1,nPop);

iter=0; % Loop counter

%% Main loop

while iter<MaxIt

for i=1:nPop

% Return back the search agents that go beyond the boundaries of the search space

Flag4ub=Positions(i,:)>VarMax;

Flag4lb=Positions(i,:)<VarMin;

Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+VarMax.*Flag4ub+VarMin.*Flag4lb;

% Calculate objective function for each search agent

fitness(i)= CostFunction(Positions(i,:), nFun);

% Update Alpha, Beta, and Delta

if fitness(i)<Alpha_score

Alpha_score=fitness(i); % Update Alpha

Alpha_pos=Positions(i,:);

end

if fitness(i)>Alpha_score && fitness(i)<Beta_score

Beta_score=fitness(i); % Update Beta

Beta_pos=Positions(i,:);

end

if fitness(i)>Alpha_score && fitness(i)>Beta_score && fitness(i)<Delta_score

Delta_score=fitness(i); % Update Delta

Delta_pos=Positions(i,:);

end

end

a=2-(iter*((2)/MaxIt)); % a decreases linearly fron 2 to 0

% Update the Position of all search agents

for i=1:nPop

for j=1:nVar

r1=rand;

r2=rand;

A1=2*a*r1-a;

C1=2*r2;

D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j));

X1=Alpha_pos(j)-A1*D_alpha;

r1=rand;

r2=rand;

A2=2*a*r1-a;

C2=2*r2;

D_beta=abs(C2*Beta_pos(j)-Positions(i,j));

X2=Beta_pos(j)-A2*D_beta;

r1=rand;

r2=rand;

A3=2*a*r1-a;

C3=2*r2;

D_delta=abs(C3*Delta_pos(j)-Positions(i,j));

X3=Delta_pos(j)-A3*D_delta;

Positions(i,j)=(X1+X2+X3)/3;

end

end

iter=iter+1;

BestCosts(iter)=Alpha_score;

fprintf('Iter= %g, NFE= %g, Best Cost = %g\n',iter,NFE,Alpha_score);

end

1 内容介绍

灰狼优化（GWO）算法是一种新兴的算法，它基于灰狼的社会等级以及它们的狩猎和合作策略。 该算法于 年推出，已被大量研究人员和设计人员使用，原始论文的引用次数超过了许多其他算法。 在 Niu 等人最近的一项研究中，介绍了该算法优化现实问题的主要缺点之一。 总之，他们表明，随着问题的最优解偏离 0，GWO 的性能会下降。在本文中，通过对原始 GWO 算法进行直接修改，即忽略其社会等级，作者能够在很大程度上消除 这一缺陷为今后使用该算法开辟了新的视角。 通过将其应用于基准和实际工程问题，验证了所提出方法的有效性。

2 仿真代码

clc

clear

global NFE

NFE=0;

nPop=30; % Number of search agents (Population Number)

MaxIt=1000; % Maximum number of iterations

nVar=30; % Number of Optimization Variables

nFun=1; % Function No, select any integer number from 1 to 14

CostFunction=@(x,nFun) Cost(x,nFun); % Cost Function

%% Problem Definition

VarMin=-100; % Decision Variables Lower Bound

if nFun==7

VarMin=-600; % Decision Variables Lower Bound

end

if nFun==8

VarMin=-32; % Decision Variables Lower Bound

end

if nFun==9

VarMin=-5; % Decision Variables Lower Bound

end

if nFun==10

VarMin=-5; % Decision Variables Lower Bound

end

if nFun==11

VarMin=-0.5; % Decision Variables Lower Bound

end

if nFun==12

VarMin=-pi; % Decision Variables Lower Bound

end

if nFun==14

VarMin=-100; % Decision Variables Lower Bound

end

VarMax= -VarMin; % Decision Variables Upper Bound

if nFun==13

VarMin=-3; % Decision Variables Lower Bound

VarMax= 1; % Decision Variables Upper Bound

end

%% Grey Wold Optimizer (GWO)

% Initialize Alpha, Beta, and Delta

Alpha_pos=zeros(1,nVar);

Alpha_score=inf;

Beta_pos=zeros(1,nVar);

Beta_score=inf;

Delta_pos=zeros(1,nVar);

Delta_score=inf;

%Initialize the positions of search agents

Positions=rand(nPop,nVar).*(VarMax-VarMin)+VarMin;

BestCosts=zeros(1,MaxIt);

fitness=nan(1,nPop);

iter=0; % Loop counter

%% Main loop

while iter<MaxIt

for i=1:nPop

% Return back the search agents that go beyond the boundaries of the search space

Flag4ub=Positions(i,:)>VarMax;

Flag4lb=Positions(i,:)<VarMin;

Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+VarMax.*Flag4ub+VarMin.*Flag4lb;

% Calculate objective function for each search agent

fitness(i)= CostFunction(Positions(i,:), nFun);

% Update Alpha, Beta, and Delta

if fitness(i)<Alpha_score

Alpha_score=fitness(i); % Update Alpha

Alpha_pos=Positions(i,:);

end

if fitness(i)>Alpha_score && fitness(i)<Beta_score

Beta_score=fitness(i); % Update Beta

Beta_pos=Positions(i,:);

end

if fitness(i)>Alpha_score && fitness(i)>Beta_score && fitness(i)<Delta_score

Delta_score=fitness(i); % Update Delta

Delta_pos=Positions(i,:);

end

end

a=2-(iter*((2)/MaxIt)); % a decreases linearly fron 2 to 0

% Update the Position of all search agents

for i=1:nPop

for j=1:nVar

r1=rand;

r2=rand;

A1=2*a*r1-a;

C1=2*r2;

D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j));

X1=Alpha_pos(j)-A1*D_alpha;

r1=rand;

r2=rand;

A2=2*a*r1-a;

C2=2*r2;

D_beta=abs(C2*Beta_pos(j)-Positions(i,j));

X2=Beta_pos(j)-A2*D_beta;

r1=rand;

r2=rand;

A3=2*a*r1-a;

C3=2*r2;

D_delta=abs(C3*Delta_pos(j)-Positions(i,j));

X3=Delta_pos(j)-A3*D_delta;

Positions(i,j)=(X1+X2+X3)/3;

end

end

iter=iter+1;

BestCosts(iter)=Alpha_score;

fprintf('Iter= %g, NFE= %g, Best Cost = %g\n',iter,NFE,Alpha_score);

end

3 运行结果

4 参考文献

[1]高珊. 基于贪婪随机自适应灰狼优化算法求解TSP的研究与应用[D]. 太原理工大学.

[2]龙文, 赵东泉, 徐松金. 求解约束优化问题的改进灰狼优化算法[J]. 计算机应用, , 35(009):2590-2595.

[3]姜天华. 混合灰狼优化算法求解柔性作业车间调度问题[J]. 控制与决策, , 33(3):6.

[4] Akbari E , Rahimnejad A , Gadsden S A . A greedy non﹉ierarchical grey wolf optimizer for real﹚orld optimization[J]. Electronics Letters, (1).​

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。

3 运行结果

4 参考文献

[1]高珊. 基于贪婪随机自适应灰狼优化算法求解TSP的研究与应用[D]. 太原理工大学.

[2]龙文, 赵东泉, 徐松金. 求解约束优化问题的改进灰狼优化算法[J]. 计算机应用, , 35(009):2590-2595.

[3]姜天华. 混合灰狼优化算法求解柔性作业车间调度问题[J]. 控制与决策, , 33(3):6.

[4] Akbari E , Rahimnejad A , Gadsden S A . A greedy non﹉ierarchical grey wolf optimizer for real﹚orld optimization[J]. Electronics Letters, (1).​

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。