?作者簡(jiǎn)介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進(jìn)，matlab項(xiàng)目合作可私信。

🍎個(gè)人主頁：Matlab科研工作室

🍊個(gè)人信條：格物致知。

更多Matlab仿真內(nèi)容點(diǎn)擊👇

智能優(yōu)化算法 ?神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 雷達(dá)通信? 無線傳感器

信號(hào)處理 圖像處理 路徑規(guī)劃 元胞自動(dòng)機(jī) 無人機(jī)

? 內(nèi)容介紹

?灰狼優(yōu)化算法(grey wolf optimization，GWO)存在收斂的不合理性等缺陷，目前對(duì) GWO 的收斂性改進(jìn)方式較少，除此之外，在 GWO 迭代至后期，所有灰狼個(gè)體都逼近 α 狼、β 狼、δ 狼，導(dǎo)致算法陷入局部最優(yōu)。為針對(duì)以上問題，提出了一種增強(qiáng)型的灰狼優(yōu)化算法(disturbance and somersault foraging-grey wolf optimization，DSF-GWO)，該算法首先引入了一種擾動(dòng)因子，平衡了算法的開采和勘探能力；其次又引入翻筋斗覓食策略，在后期使其不陷入局部最優(yōu)的同時(shí)也使得前期的群體多樣性略有提升。

? 部分代碼

%___________________________________________________________________%

%? Grey Wold Optimizer (GWO) source codes version 1.0? ? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? Developed in MATLAB R2011b(7.13)? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? Author and programmer: Seyedali Mirjalili? ? ? ? ? ? ? ? ? ? ? ? %

%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? ? ? ? ?e-Mail: ali.mirjalili@gmail.com? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ? ?seyedali.mirjalili@griffithuni.edu.au? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? ? ? ?Homepage: http://www.alimirjalili.com? ? ? ? ? ? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%? ?Main paper: S. Mirjalili, S. M. Mirjalili, A. Lewis? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ?Grey Wolf Optimizer, Advances in Engineering? ? ? ? %

%? ? ? ? ? ? ? ?Software , in press,? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? %

%? ? ? ? ? ? ? ?DOI: 10.1016/j.advengsoft.2013.12.007? ? ? ? ? ? ? ?%

%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%

%___________________________________________________________________%

% Grey Wolf Optimizer

function [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no,Max_iter,lb,ub,dim,fobj)

% initialize alpha, beta, and delta_pos

Alpha_pos=zeros(1,dim);

Alpha_score=inf; %change this to -inf for maximization problems

Beta_pos=zeros(1,dim);

Beta_score=inf; %change this to -inf for maximization problems

Delta_pos=zeros(1,dim);

Delta_score=inf; %change this to -inf for maximization problems

%Initialize the positions of search agents

Positions=initialization(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iter);

l=0;% Loop counter

% Main loop

while l<Max_iter

? ? for i=1:size(Positions,1)??

? ? ? ??

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

? ? ? ? Flag4ub=Positions(i,:)>ub;

? ? ? ? Flag4lb=Positions(i,:)<lb;

? ? ? ? Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;? ? ? ? ? ? ? ?

? ? ? ??

? ? ? ? % Calculate objective function for each search agent

? ? ? ? fitness=fobj(Positions(i,:));

? ? ? ??

? ? ? ? % Update Alpha, Beta, and Delta

? ? ? ? if fitness<Alpha_score?

? ? ? ? ? ? Alpha_score=fitness; % Update alpha

? ? ? ? ? ? Alpha_pos=Positions(i,:);

? ? ? ? end

? ? ? ??

? ? ? ? if fitness>Alpha_score && fitness<Beta_score?

? ? ? ? ? ? Beta_score=fitness; % Update beta

? ? ? ? ? ? Beta_pos=Positions(i,:);

? ? ? ? end

? ? ? ??

? ? ? ? if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score?

? ? ? ? ? ? Delta_score=fitness; % Update delta

? ? ? ? ? ? Delta_pos=Positions(i,:);

? ? ? ? end

? ? end

? ??

? ??

? ? % a decreases linearly fron 2 to 0

? ? ?a=sin(((l*pi)/Max_iter)+pi/2)+1;

? ? % Update the Position of search agents including omegas

? ? for i=1:size(Positions,1)

? ? ? ? for j=1:size(Positions,2)? ? ?

? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ? ? ? r1=rand(); % r1 is a random number in [0,1]

? ? ? ? ? ? r2=rand(); % r2 is a random number in [0,1]

? ? ? ? ? ??

? ? ? ? ? ? A1=2*a*r1-a; % Equation (3.3)

? ? ? ? ? ? C1=2*r2; % Equation (3.4)

? ? ? ? ? ??

? ? ? ? ? ? D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Equation (3.5)-part 1

? ? ? ? ? ? X1=Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1

? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ? ? ? r1=rand();

? ? ? ? ? ? r2=rand();

? ? ? ? ? ??

? ? ? ? ? ? A2=2*a*r1-a; % Equation (3.3)

? ? ? ? ? ? C2=2*r2; % Equation (3.4)

? ? ? ? ? ??

? ? ? ? ? ? D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % Equation (3.5)-part 2

? ? ? ? ? ? X2=Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2? ? ? ?

? ? ? ? ? ??

? ? ? ? ? ? r1=rand();

? ? ? ? ? ? r2=rand();?

? ? ? ? ? ??

? ? ? ? ? ? A3=2*a*r1-a; % Equation (3.3)

? ? ? ? ? ? C3=2*r2; % Equation (3.4)

? ? ? ? ? ??

? ? ? ? ? ? D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % Equation (3.5)-part 3

? ? ? ? ? ? X3=Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3? ? ? ? ? ? ?

? ? ? ? ? ??

? ? ? ? ? ? Positions(i,j)=(X1+X2+X3)/3;% Equation (3.7)

? ? ? ? ? ??

? ? ? ? end

? ? end

? ? l=l+1;? ??

? ? Convergence_curve(l)=Alpha_score;

end

? 運(yùn)行結(jié)果

? 參考文獻(xiàn)

[1]王正通, 程鳳芹, 尤文,等. 基于翻筋斗覓食策略的灰狼優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2021, 38(5):4.

?? 關(guān)注我領(lǐng)取海量matlab電子書和數(shù)學(xué)建模資料

??部分理論引用網(wǎng)絡(luò)文獻(xiàn)，若有侵權(quán)聯(lián)系博主刪除

總結(jié)

以上是生活随笔為你收集整理的【智能优化算法-灰狼算法】基于翻筋斗觅食策略的灰狼优化算法求解单目标优化问题附matlab代码的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。