1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/Y56amJly
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
灰狼优化算法(GWO),灵感来自于灰狼.GWO算法模拟了自然界灰狼的领导层级和狩猎机制.四种类型的灰狼,如 α,β,δ,w 被用来模拟领导阶层。此外，还实现了狩猎的三个主要步骤:寻找猎物、包围猎物和攻击猎物。
为了在设计GWO算法时对灰狼的社会等级进行数学建模,我们将最适解作为α .因此,第二和第三个最佳解决方案分别被命名为 β 和 δ .剩下的候选解被假定为 w .在GWO算法中,狩猎过程由 ，α，β 和 δ 引导. w 狼跟随这三只狼。
4.部分源码
....................................................
tic
run=1; %执行的最大算法运行次数
np=30; % 搜索代理数
%F1 to F13
Function_name='F6';
maxit=5000; % 最大迭代次数
elitism=1;
a_max=sqrt(2); %加速度系数上限
a_min=0; % 加速度系数的下限
c_max=1; % 领先狼群乘数的上限
c_min=0; % 领先狼群乘数的下限
k_max=0.9; % 惯性重量上限
k_min=0.4; % 惯性重量下限
[lb,ub,nx,fobj]=Objective_Function(Function_name); % 加载所选基准函数的详细信息
varmax=ub*ones(1,nx); % 为通常可以是所需向量的位置定义的上界
varmin=lb*ones(1,nx); % 为通常可以是所需向量的位置定义的下限
limvel=0.1; % 搜索空间中最大距离与最大速度之比
velmax=limvel*(varmax(1,1:nx)-varmin(1,1:nx)); % 速度上限定义
velmin=-velmax; % 速度的下限
.................................................................
for nrun=1:run
[z_iter,z_final,pos_final]=VAGWO(np,nx,maxit,varmax,varmin,velmax,velmin,k_max,k_min,a_max,a_min,c_max,c_min,fobj,elitism);
z_iter_main(nrun,1:maxit)=z_iter(1:maxit);
z_final_main(nrun)=z_final;
pos_final_main(nrun,1:nx)=pos_final(1:nx);
end
for i=1:maxit
x1(i)=i;sum1=0;
for j=1:run
sum1=sum1+z_iter_main(j,i);
end
y1(i)=sum1/run;
end
semilogy(x1,y1,'b')
xlabel('Iteration');
ylabel('Average');
title('VAGWO');
A329
