灰狼（GWO）算法（附完整Matlab代码，可直接复制）

灰狼算法模拟了自然界灰狼的领导层级和狩猎制度：其具有金字塔般的等级制度。

第一层：层狼群。负责带领整个狼群狩猎猎物，即优化算法中的最优解。

第二层：层狼群。负责协助狼群，即优化算法中的次优解。

第三层：层狼群。听从和的命令和决策，负责侦查、放哨等。适应度差的 和会降为。

第四层：层狼群。追随上面三层狼群行动。

 灰狼的狩猎过程包含如下：①跟踪、接近猎物②包围、追捕猎物③攻击猎物

一、包围猎物

在狩猎过程中，灰狼围捕猎物的行为为：

（1）式为灰狼和猎物之间的距离，和分别是猎物的位置和灰狼的位置，t为迭代次数。和为确定的系数，其计算公式分别为：

a是收敛因子，随着迭代次数，从2线性减小到0，r1和r2为随机数。

二、狩猎

灰狼个体跟踪层狼群、 层狼群、层狼群的数学模型描述如下：

分别表示灰狼个体距离  层狼群、 层狼群、层狼群的距离。

 

X1、X2、X3分别表示受 层狼群、 层狼群、层狼群影响， 灰狼个体需要调整的位置。

这里取平均值，即：

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)Alpha_Score&&Fitness(i)Alpha_Score&&Fitness(i)>Beta_Score&&Fitness(i)

相关阅读：

1、粒子群（PSO）优化算法（附完整Matlab代码，可直接复制）

2、灰狼（GWO）优化算法（附完整Matlab代码，可直接复制）

3、正余弦（SCA）优化算法（附完整Matlab代码，可直接复制）

4、萤火虫（FA）优化算法（附完整Matlab代码，可直接复制）