灰 狼 优 化 算 法 ( G W O ) 原 理

灰狼优化算法--简单易懂附python代码
ps:本博文为个人理解，如有错误请不吝赐教
本博文部分引用了
1、算法原理：简单的讲，狼群中有 Alpha、Beta、Delta三只灰狼做头狼，Alpha是狼王，Beta、Delta分别排第二第三，Beta要听老大Alpha 的，Delta要听Alpha、Beta的。

这三头狼指导着狼群里其他的狼寻找猎物。

狼群寻找猎物的过程就是我们寻找最优解的过程。

2、公式方面大家可以看另一博主的博文。

3、代码如下：
import random
import numpy
def GWO(objf, lb, ub, dim, SearchAgents_no, Max_iter):
# 初始化 alpha, beta, and delta_pos
Alpha_pos = numpy.zeros(dim) # 位置.形成30的列表
Alpha_score = float("inf") # 这个是表示“正负无穷”,所有数都比 +inf 小；正无穷：float("inf"); 负无穷：float("-inf") Beta_pos = numpy.zeros(dim)
Beta_score = float("inf")
Delta_pos = numpy.zeros(dim)
Delta_score = float("inf") # float() 函数用于将整数和字符串转换成浮点数。

# list列表类型
if not isinstance(lb, list): # 作用：来判断一个对象是否是一个已知的类型。

其第一个参数（object）为对象，第二个参数（type）为类型名，若对象的类型与参数二的类型相同则返回True
lb = [lb] * dim # 生成[100，100，.100]30个
if not isinstance(ub, list):
ub = [ub] * dim
# Initialize the positions of search agents初始化所有狼的位置
Positions = numpy.zeros((SearchAgents_no, dim))
for i in range(dim): # 形成5*30个数[-100，100)以内
Positions[:, i] = numpy.random.uniform(0, 1, SearchAgents_no) * (ub[i] - lb[i]) + lb[
i] # 形成[5个0-1的数]*100-（-100）-100
Convergence_curve = numpy.zeros(Max_iter)
#迭代寻优
for l in range(0, Max_iter): # 迭代1000
for i in range(0, SearchAgents_no): # 5
# 返回超出搜索空间边界的搜索代理
for j in range(dim): # 30
Positions[i, j] = numpy.clip(Positions[i, j], lb[j], ub[
j]) # clip这个函数将将数组中的元素限制在a_min(-100),
a_max(100)之间，大于a_max的就使得它等于 a_max，小于a_min,的就使得它等于a_min。

# 计算每个搜索代理的目标函数
fitness = objf(Positions[i, :]) # 把某行数据带入函数计算
# print("经过计算得到：",fitness)
# Update Alpha, Beta, and Delta
if fitness Alpha_score:
Alpha_score = fitness # Update alpha
Alpha_pos = Positions[i, :].copy()
if (fitness Alpha_score and fitness Beta_score):
Beta_score = fitness # Update beta
Beta_pos = Positions[i, :].copy()
if (fitness Alpha_score and fitness Beta_score and fitness Delta_score):
Delta_score = fitness # Update delta
Delta_pos = Positions[i, :].copy()
# 以上的循环里，Alpha、Beta、Delta
a = 2 - l * ((2) - Max_iter); # a从2线性减少到0
for i in range(0, SearchAgents_no):
for j in range(0, dim):
r1 = random.random() # r1 is a random number in [0,1]主要生成一个0-1的随机浮点数。

r2 = random.random() # r2 is a random number in [0,1]
A1 = 2 * a * r1 - a; # Equation (3.3)
C1 = 2 * r2; # Equation (3.4)
# D_alpha表示候选狼与Alpha狼的距离
D_alpha = abs(C1 * Alpha_pos[j] - Positions[
i, j]); # abs() 函数返回数字的绝对值。

Alpha_pos[j]表示Alpha 位置，Positions[i,j])候选灰狼所在位置
X1 = Alpha_pos[j] - A1 * D_alpha; # X1表示根据alpha得出的下一代灰狼位置向量
r1 = random.random()
r2 = random.random()
A2 = 2 * a * r1 - a; #
C2 = 2 * r2;
D_beta = abs(C2 * Beta_pos[j] - Positions[i, j]);
X2 = Beta_pos[j] - A2 * D_beta;
r1 = random.random()
r2 = random.random()
A3 = 2 * a * r1 - a;
C3 = 2 * r2;
D_delta = abs(C3 * Delta_pos[j] - Positions[i, j]);
X3 = Delta_pos[j] - A3 * D_delta;
Positions[i, j] = (X1 + X2 + X3) - 3 # 候选狼的位置更新为根
据Alpha、Beta、Delta得出的下一代灰狼地址。

Convergence_curve[l] = Alpha_score;
if (l % 1 == 0):
print(['迭代次数为' + str(l) + ' 的迭代结果' + str(Alpha_score)]); # 每一次的迭代结果
def F1(x):
s=numpy.sum(x**2);
func_details = ['F1', -100, 100, 30]
function_name = func_details[0]
Max_iter = 1000#迭代次数
lb = -100#下界
ub = 100#上届
dim = 30#狼的寻值范围
SearchAgents_no = 5#寻值的狼的数量
x = GWO(F1, lb, ub, dim, SearchAgents_no, Max_iter)
% Grey Wold Optimizer (GWO) source codes version 1.0 %
4.RMSprop（root mean square prop）
1. Representation of Solution.
model_cs_svr=svmtrain(output_train,input_train,cmd_cs_svr); % SVM模型训练
cmd_gwosvm = ['-c ',num2str(bestc),' -g ',num2str(bestg)];
for i in range(0, SearchAgents_no): # 5
% z=20+exp(1)-20*exp(-0.2*sqrt(temp1-2))-exp(temp2-2);
步骤4：按式(4)对参与围攻行为的人工狼的位置进行更新.执行围攻行为,
Beta_score=inf; % 初始化Beta狼的目标函数值，change this to -inf for maximization problems
统一框架下的群体智能优化算法，可以根据优化对象的特性只能地选择适合的更新规则，进行运算得到理想的优化结果。