开发者社区> Matlab科研工作室> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

【智能优化算法-灰狼算法】基于基于随机收敛因子和差分变异改进灰狼优化算法求解单目标优化问题附matlab代码

简介: 【智能优化算法-灰狼算法】基于基于随机收敛因子和差分变异改进灰狼优化算法求解单目标优化问题附matlab代码
+关注继续查看

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信 无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机

⛄ 内容介绍

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法.受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体.选取6个标准测试函数进行仿真实验.结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法.

⛄ 部分代码

%___________________________________________________________________%

%  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





⛄ 运行结果

image

image

image

⛄ 参考文献

[1]徐松金, 龙文. 基于随机收敛因子和差分变异的改进灰狼优化算法[J]. 科学技术与工程, 2018, 18(23):5.

❤️ 关注我领取海量matlab电子书和数学建模资料
❤️部分理论引用网络文献,若有侵权联系博主删除


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
【电力系统】基于多元宇宙算法求解电力系统多目标优化问题附Matlab代码
【电力系统】基于多元宇宙算法求解电力系统多目标优化问题附Matlab代码
8 0
【智能优化算法-交配算法】基于进化交配算法求解单目标优化问题附matlab代码Evolutionary Mating Algorithm (EMA)
【智能优化算法-交配算法】基于进化交配算法求解单目标优化问题附matlab代码Evolutionary Mating Algorithm (EMA)
17 0
【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
【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
38 0
【智能优化算法-灰狼算法】基于协调探索和开发能力的改进灰狼优化算法求解单目标优化问题附matlab代码
【智能优化算法-灰狼算法】基于协调探索和开发能力的改进灰狼优化算法求解单目标优化问题附matlab代码
16 0
【智能优化算法-灰狼算法】基于Cat混沌与高斯变异的灰狼优化算法求解单目标优化问题附Matlab代码
【智能优化算法-灰狼算法】基于Cat混沌与高斯变异的灰狼优化算法求解单目标优化问题附Matlab代码
12 0
【智能优化算法-天鹰算法】基于改进天鹰优化算法求解多目标优化问题附matlab代码
【智能优化算法-天鹰算法】基于改进天鹰优化算法求解多目标优化问题附matlab代码
65 0
【路径规划】基于遗传算法求解立体仓库出入库路径优化问题含Matlab代码
【路径规划】基于遗传算法求解立体仓库出入库路径优化问题含Matlab代码
15 0
【智能优化算法】基于粒子群结合NSGA2算法求解多目标优化问题附Matlab代码
【智能优化算法】基于粒子群结合NSGA2算法求解多目标优化问题附Matlab代码
99 0
【智能优化算法-自私群体优化器】基于自私群体优化器求解单目标优化问题附matlab代码
【智能优化算法-自私群体优化器】基于自私群体优化器求解单目标优化问题附matlab代码
33 0
【优化选址】基于遗传算法结合爬山法求解停车位建设优化问题附matlab代码
【优化选址】基于遗传算法结合爬山法求解停车位建设优化问题附matlab代码
44 0
+关注
Matlab科研工作室
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代码问题关注公众号 天天Matlab。
文章
问答
文章排行榜
最热
最新
相关电子书
更多
纯干货|机器学习中梯度下降法的分类及对比分析
立即下载
纯干货 | 机器学习中梯度下降法的分类及对比分析
立即下载
概率图模型
立即下载