求matlab源码

可以试试天牛须搜索算法，和灰狼优化类似，但是效率更高，收敛更快，相关资源更多：

1. qq讨论群437958608
2. matlab工具箱https://github.com/jywang2016/BASmatlab
3. 100多页的文档（中文）https://github.com/jywang2016/rBAS_documents
4. R工具箱https://github.com/jywang2016/rBAS
5. 数据库搜索beetle antennae search，或者中文’天牛须‘可以找到很多相关英文、中文论文及专利
6. 中文视频讲解：https://www.youtube.com/watch?v=62OpoO-hekg
7. 英文视频讲解：https://www.youtube.com/watch?v=d3ZO7HUeivs
8. 另外还有python，java版本程序，及相关其他资源在qq群文件中

灰狼优化算法原始paper开放源码的，研究GWO难到不下载原始paper吗？

改进方法有很多，智能算法改进从三个方面入手，1、种群初始化方法，初始种群的质量对优化算法性能影响很大。2、局部搜索算子改进，比如与GA的变异算法、DE的变异算法等融合，更多的是针对要解决的问题设计变异算法。3、全局搜索算子，比如GA的交叉算法。

GWO、GA、FPA我做过挺多paper的。智能优化算法创新点就体现在你针对特定问题设计的种群初始化、局部搜索、全局搜索等算法，更好地平衡算法的局部探索和全局搜索能力。

我看了灰狼算法的过程，发现三个问题：

1.初始化，结果与初始位置关系密切相关，过度集聚的初始位置陷入局部最小值。采用一定措施，强制 均匀化初始位置，保证初始化点尽量分布空间各个位置。

2.迭代算子。灰狼算法为了提高算法速度，刚开始采用较大的前进步，后续采用较小前进步，容易会出现陷入局部最小值跳不出来的情况。个人想法是 在后期 某些算子依然保持 较大的步伐，保证能跳出局部最小。

修改个五个优化算法，但是优化业内的书比较少看，有些词语表达可能不太准确，见谅。

灰狼优化算法(Grey Wolf Optimizer，GWO)，由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。灵感来自于灰狼群体捕食行为。

测试集：23组基本测试函数简介及图像（提供python代码）_IT猿手的博客-CSDN博客

from FunInfo import Get_Functions_details
from GWO import GWO
import matplotlib.pyplot as plt
#主程序
function_name=16 #测试函数1-23
SearchAgents_no=50#种群大小
Max_iter=100#迭代次数
lb,ub,dim,fobj=Get_Functions_details(function_name)#获取问题信息
BestX,BestF,curve=GWO(SearchAgents_no, Max_iter,lb,ub,dim,fobj)#问题求解

完整代码添加博主微信：djpcNLP123

#画收敛曲线图
if BestF>0:
    plt.semilogy(curve,color='r',linewidth=2,label='GWO')
else:
    plt.plot(curve,color='r',linewidth=2,label='GWO')
plt.xlabel("Iteration")
plt.ylabel("Fitness")
plt.xlim(0,Max_iter)
plt.title("F"+str(function_name))
plt.legend()
plt.savefig(str(function_name)+'.png')
plt.show()
print('\
The best solution is:\
'+str(BestX))
print('\
The best optimal value of the objective funciton is:\
'+str(BestF))

?灰狼优化算法是Mirjalili等于2014年提出的一种新型SI算法，GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的，这一机制在平衡探索和开发方面取得了不错的效果，并且在收敛速度和求解精度上都有良好的性能，目前已广泛应用于工程领域，如：神经网络、调度、控制、电力系统等。

然而GWO也存在早熟收敛的缺点，并且容易停滞在局部最优解。为解决该问题，有几类改进方向可以参考：

（1）调整控制参数

（2）引入新的搜索策略

（3）与其他优化算法混合

（4）修改狼群结构

基于以上思想，本文设计出融合多策略的灰狼优化算法，函数测试结果显示，改进的算法性能得到明显提升。

00 文章目录

1 灰狼优化算法原理

2 改进的灰狼优化算法

3 代码目录

4 算法性能

5 源码获取

6 总结

01 灰狼优化算法原理

灰狼优化算法原理及其MATLAB代码获取方式在下方文章链接中，这里不再赘述：

超详细 | 灰狼优化算法原理及其实现(Matlab)

02 改进的灰狼优化算法

2.1 改进的Tent混沌初始化

群体的算法的初始化影响其搜索性能。由于没有先验信息，个体通常是由随机初始化产生的。这种策略在某种意义上是有用的。但是，有时候个体在搜索域中的分布并不均匀，这可能会使个体远离全局最优解，导致收敛速度较低。

混沌具有遍历性、随机性和规律性等特征，是非线性系统中的一种普遍现象，利用混沌变量搜索显然比无序随机搜索具有更大的优越性。目前文献中常用的混沌扰动方程有Logistic映射和Tent映射等。由文献[3]可知Logistic映射的分布特点是:中间取值概率比较均匀,但在两端概率特别高,因此当全局最优点不在设计变量空间的两端时,对寻找最优点是不利的。而Tent混沌映射结构简单，具有比Logistic混沌映射更好的遍历均匀性和更快的搜索速度，但 Tent映射迭代序列中存在小周期, 还存在不稳定周期点, 为避免Tent混沌序列在迭代时落入小周期点和不稳定周期点,在原有的Tent 混沌映射表达式上引入一个随机变量rand(0, 1) × 1 /N[1]。则改进后的Tent混沌映射表达式如下:

其中: N 是序列内粒子的个数。引入随机变量rand(0, 1) /N ，不仅仍然保持了Tent混沌映射的随机性、遍历性、规律性,而且能够有效避免迭代落入小周期点和不稳定周期点内。本文算法引入的随机变量,既保持了随机性, 又将随机值控制在一定的范围之内,保证了Tent混沌 的规律性。

图显示了Logistic、Tent和改进的Tent混沌映射产生的混沌序列在二维区域中的初始分布，可以观察到，改进后的Tent混沌映射的分布均匀性较好，因此本文以改进Tent混沌性来代替麻雀搜索算法的随机初始化，以提高和改善初始种群在搜索空间上的分布质量，加强其全局搜索能力，从而提高算法求解精度。

2.2 自适应狩猎权重系数

GWO和其他SI算法之间的主要区别是其社会领导层次结构，这能够对GWO搜索能力的提高有相当的价值。等级越高的灰狼，对猎物的了解就越深，领导能力也就越强，这种关系在搜寻过程中对群体狩猎起着至关重要的作用。然而在原始GWO的狩猎中（见下式），三个头狼的权重系数相同，这显然与真实狼群的等级制度矛盾。

受引力搜索算法中的质量更新公式的启发，引入下式来衡量三个领头狼的重要度：

θi即为各头狼对应权重。式中，头狼离猎物（最优）越近，则权重越高，α狼为灰狼群落提供了主要的运动方向，而β狼和δ狼则提供了辅助方向，以加快对猎物的包围和攻击。

2.3 改进控制参数a

GWO中的参数a控制勘探和开发过程，其主要影响A的值，当 | A | ＞1 时，灰狼群体将扩大包围圈，以寻找更好的猎物，此时对应于全局搜索(勘探); 当| A | ＜ 1 时，灰狼群体将收缩包围圈，以对猎物完成最后的攻击行为，此时对应于局部精确搜索(开发)。

参数a的变化是从勘探到开发过渡的控制因素，灰狼在自然界中的狩猎过程是复杂的，因此简单的线性变化不能有效的表征其搜索过程。本文使用正弦形式的a的变化来改进线性的搜索过程，其表达式如下：

其中，t表示当前迭代数，max_iter表示最大迭代数。

下图中展示了该非线性函数和标准GWO中的线性函数的比较。由图可知，本文的非线性函数在迭代初期，a的取值更广，其可用于勘探的范围也更广；而在迭代后期，a较小，有助于算法进行局部开发，加快其收敛速度。

2.4 改进的头狼位置更新方式

α、β和δ狼代表着GWO中种群的进化方向，对于搜索方向上的指导上发挥着至关重要的作用。然而，在传统GWO中所有灰狼的位置更新依赖于相同的机制，没有考虑到头狼的特殊地位，并且按照实际情况来看，灰狼个体只接受等级更高的狼的引导，然而在算法中α、β和δ狼也会受比其地位更低的狼的领导，这并不合理。此外，GWO算法的搜索性能有限，因为当所有的狼都被头狼吸引到一起时，种群多样性迅速变差，此时 GWO将早熟收敛。为解决该问题，对α、β和δ狼分别采用单独的更新策略：

（1）δ狼

δ狼将接受α和β狼的领导，其更新方式如下：

其中ρ是分布在[0，1]中的随机数。随机数能使GWO在整个优化过程中表现更多随机性，有助于全局探索。

（2）β狼

β狼将接受α狼的领导，本文参考鲸鱼算法的螺旋更新机制，使其以螺旋运动接近α狼，其更新方式如下：

其中，ρ是分布在[0，1]中的随机数。随机数的引入同样是增强β狼的探索能力。

（3）α狼

α狼在狼群中等级最高，理应不受其他狼的引导，因此引入随机游走的策略来更新α狼。由于Levy 飞行机制具有短距离的探索性和长距离的跳跃性，短距离的探索性与偶尔的较长距离跳跃性偶然转换。短距离的探索性保证α狼在自身周围进行搜索，增加寻优的速度和准确性，偶尔的较长距离跳跃性可以扩展α狼搜索的区域，搜索更加广泛。

由图可知， Levy分布集成了高斯分布的小步长扰动和柯西分布大步长扰动的特点，因此能提高α狼的勘探和开发能力。同时，考虑到Levy机制存在随机性，因此借鉴“贪婪”选择思想，实现优胜劣汰的选择机制。引入Levy飞行机制：

Levy（λ）为随机搜索路径，?代表点乘，α为步长控制因子，一般取0.01。

由于莱维分布十分复杂，无法实现，目前常用 Mantegna 算法模拟其飞行轨迹，其数学表达式如式所示：

其中，参数c与Levy (l ) ~t^-l中的 l关系为 l=1+ c，且 0<c￡ 2，m和u均服从正态分布，定义如式所示：

其中，方差 sm和 su由式确定：

式中，G为伽马函数，常数c一般取1.5

α狼的位置更新公式如下：

其中，rand4 表示[0，1]间的随机变量，p 为优胜劣汰选择概率，f (?) 为个体的适应度值。从上式可知，采用该策略，可使种群朝着最优的方向进化，同时有效地提高算法的搜索效率。

03 代码目录

其中，Main_MSGWO.m为主程序，代码注释详细，一键运行Main_MSGWO即可得到所有运行结果。

运行结果包括:混沌序列比较图、控制参数比较图、levy与高斯、柯西分布比较图以及算法在各测试函数上的迭代图，最后将生成excel表，包含算法在各函数迭代n次的平均值，均值、运行时间、最优解。同时，文件也有乱码解决，给出了主要代码的txt文件。

部分代码：

生成excel文件：（其中12345分别对应MSGWO、GWO、WOA、PSO、GA）

04 算法性能

采用CEC的测试函数来初步检验其寻优性能，其运行结果如下：

由结果可以看到，除了少数函数外，改进的灰狼优化算法在大部分函数的收敛速度和精度都更好，改进算法的效果良好。

05源码获取

见简介

06 总结

本文提出的改进灰狼优化算法具有良好的性能，改进有效，同时，本文的改进策略也可以进行推广，比如将灰狼算法的领头狼的机制引入其他算法中。对于本文的算法，也可以进一步改进，比如引入人工蜂群中的食物源的思想，若算法出现进化停滞，可以辅以扰动，想必也能进一步提升性能。

参考文献

[1]张娜,赵泽丹,包晓安等.基于改进的Tent混沌万有引力搜索算法[J].控制与决策,2020,35(4):893-900.

[2]Long, W., Jiao, J., Liang, X., & Tang, M. (2018). Inspired grey wolf optimizer for solving large-scale function optimization problems. Applied Mathematical Modelling, 60,112–126.

[3]Miao,,Zhaoming等.Grey wolf optimizer with an enhanced hierarchy and its application to the wireless sensor network coverage optimization problem[J].APPLIED SOFT COMPUTING,2020,96.

另：如果有伙伴有待解决的优化问题（各种领域都可），可以发我，我会选择性的更新利用优化算法解决这些问题的文章。

如果这篇文章对你有帮助或启发，可以点击右下角的赞/在看(?_)?(不点也行)