优化算法matlab实现（十八）灰狼算法matlab实现

注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。

1.代码实现

不了解灰狼算法可以先看看优化算法笔记（十八）灰狼算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。

文件名	描述
..\optimization algorithm\frame\Unit.m	个体
..\optimization algorithm\frame\Algorithm_Impl.m	算法主体

以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。

文件名	描述
..\optimization algorithm\frame\Get_Functions_details.m	测试函数，求值用
..\optimization algorithm\frame\func_plot.m	函数图像，画图用

灰狼算法的个体没有独有属性。
灰狼算法个体
文件名：.. \optimization algorithm\algorithm_grey_wolf\GWO_Unit.m

% 灰狼算法个体
classdef GWO_Unit < Unit
    
    properties
    end
    
    methods
        function self = GWO_Unit()
        end
    end
    
end

灰狼算法算法主体
文件名：..\optimization algorithm\algorithm_grey_wolf\GWO_Base.m

% 灰狼算法
classdef GWO_Base  < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'GWO';
        % 步长系数
        a = 2;
    end
    
    % 外部可调用的方法
    methods
        function self = GWO_Base(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数
            self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
            self.name ='GWO';
        end
    end
    
    % 继承重写父类的方法
    methods (Access = protected)
        % 初始化种群
        function init(self)
            init@Algorithm_Impl(self)
            %初始化种群
            for i = 1:self.size
                unit = GWO_Unit();
                % 随机初始化位置：rand(0,1).*(max-min)+min
                unit.position = unifrnd(self.range_min_list,self.range_max_list);
                % 计算适应度值
                unit.value = self.cal_fitfunction(unit.position);
                % 将个体加入群体数组
                self.unit_list = [self.unit_list,unit];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            
            update@Algorithm_Impl(self,iter)
            self.update_position(iter);
        end     
        
        % 更新位置
        function update_position(self,iter)
            % 求最大值则降序排列
            [value,index] = sort([self.unit_list.value],'descend');
            for i = 1:self.size
                if(i == index(1)||i == index(2)||i == index(3))
                    % 保留头狼不更新（不在原文中）
                    continue
                end
                % 向着3只头狼前进得到三个位置
                pos1 = self.get_wolf_position(iter,index(1),i);
                pos2 = self.get_wolf_position(iter,index(2),i);
                pos3 = self.get_wolf_position(iter,index(3),i);
                
                % 取三个位置的重心
                new_pos = (pos1+pos2+pos3)/3;
                % 越界检查
                new_pos = self.get_out_bound_value(new_pos);
                % 计算适应度
                new_value = self.cal_fitfunction(new_pos);
                self.unit_list(i).value = new_value;
                self.unit_list(i).position = new_pos;
            end
        end
        
        % 计算目标个体与当期个体的距离
        function distance = get_wolf_distance(self,goal_id,id)
            d_rand = round(unifrnd(0,1,1,self.dim))*2;
            distance = abs(d_rand.*self.unit_list(goal_id).position - self.unit_list(id).position);
        end
        
        % 当前个体向着目标个体前进后的位置
        function goal_position = get_wolf_position(self,iter,goal_id,id)
            cur_a = self.a*(1-iter/self.iter_max);
            dist = self.get_wolf_distance(goal_id,id);
            A = unifrnd(-cur_a,cur_a,1,self.dim);
            goal_position = self.unit_list(goal_id).position - A.*dist;
        end
        
        
        % 获取当前最优个体的id
        function best_id=get_best_id(self)
            % 求最大值则降序排列
            [value,index] = sort([self.unit_list.value],'descend');
            best_id = index(1);
        end
        
    end
end

文件名：..\optimization algorithm\algorithm_grey_wolf\GWO_Impl.m
算法实现，继承于Base,图方便也可不写，直接用GWO_Base，这里为了命名一致。

% 灰狼算法实现
classdef GWO_Impl < GWO_Base
   
    % 外部可调用的方法
    methods
        function self = GWO_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@GWO_Base(dim,size,iter_max,range_min_list,range_max_list);
        end
    end 
end

2.测试

测试F1
文件名：..\optimization algorithm\algorithm_grey_wolf\Test.m

%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;

%% 添加框架路径
% 将上级目录中的frame文件夹加入路径
addpath('../frame')

%% 选择测试函数
Function_name='F1';
% [最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim)*ub;
% 取值范围下界
range_min_list = ones(1,dim)*lb;

% 实例化灰狼算法类
base = GWO_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();

%% 绘制图像
figure('Position',[500 500 660 290])
% Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
% Draw objective space
subplot(1,2,2);
% 绘制曲线
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);