- 一种优化局部搜索能力的灰狼算法
- 1.灰狼优化算法
- 2.改进的狼群算法
- 3.实验结果
- 4.参考文献
- 5.Matlab代码
摘要： 灰狼算法是一种经典的群智能算法。针对灰狼算法局部搜索收敛较慢,易陷入局部最优且搜索精度不高的缺陷，提出一种新的灰狼算法。新算法通过增加α狼视野，赋予α狼主动搜索能力，在全局搜索的同时进一步提高了局部寻优精度，实现搜索结果的进一步优化。反向学习策略以避免算法陷入局部最优 . 1.灰狼优化算法
基础灰狼优化算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107716390
2.改进的狼群算法仔细观察狼群围捕过程可以发现，在围捕的最后阶段狼群围绕猎物不断移动，但代价函数的输出却不再缩小，究其原因是狼群多样性缺失，α狼陷入局部最优，为此，本文提出为α狼增加主动搜索视野，使α狼不再被动局限于狼群更新带来的优化，同时也具备局部搜索的能力。
假设α狼具备看到β狼的视野，这样每次α狼、β狼、δ狼更新位置后α狼会在视野范围内寻找比当前更优的位置并移动到更优位置，为了减少参数数量，假设α狼每次视野内局部寻优进行次数与狼群迭代次数相同，即程序会在α狼视野范围内重复生成备选位置，与α狼比较并选取最优解。
X
i备选
=
X
i
α
+
random
(
−
a
b
s
(
X
i
α
−
X
i
β
)
,
a
b
s
(
X
i
α
−
X
i
β
)
)
(12)
X_{text {i备选 }}=X_{i alpha}+operatorname{random}left(-a b sleft(X_{i alpha}-X_{i beta}right), a b sleft(X_{i alpha}-X_{i beta}right)right) tag{12}
Xi备选 =Xiα+random(−abs(Xiα−Xiβ),abs(Xiα−Xiβ))(12)
为了进一步降低算法实现难度，提高程序运行效率，采用式 (12)生成备选位置的第i维数据，因此，α狼在第 i 维空间的视野范围为
[
X
i
α
−
a
b
s
(
X
i
α
−
X
i
β
)
,
X
i
α
+
a
b
s
(
X
i
α
−
X
i
β
)
]
,
i
=
0
,
1
,
.
.
.
,
n
[X_{ialpha}-abs(X_{ialpha}-X_{ibeta}),X_{ialpha}+abs(X_{ialpha}-X_{ibeta})],i=0,1,...,n
[Xiα−abs(Xiα−Xiβ),Xiα+abs(Xiα−Xiβ)],i=0,1,...,nn为解空间维度。
本文GWO算法伪代码：
3.实验结果 4.参考文献[1]王习涛.一种优化局部搜索能力的灰狼算法[J].计算机时代,2020(12):53-55.
5.Matlab代码
