群体智能优化算法-灰狼优化算法（Grey Wolf Optimizer, GWO，含Matlab源代码）

择要（Abstract）

灰狼优化算法（GWO）是一种模仿灰狼群体捕猎举动的智能优化算法。GWO 通过模仿灰狼的领导品级（Alpha、Beta、Delta 和 Omega）以及围猎、追踪、困绕和打击猎物的战略来举行优化搜刮。该算法具有简朴、参数少、盘算服从高的特点，广泛应用于函数优化、呆板学习、图像处置惩罚等范畴。本文提供 GWO 的 MATLAB 实现，并具体分析其算法逻辑。
算法先容

1. 重要头脑

灰狼优化算法（GWO）基于灰狼的群体社会举动，重要包罗以下四种脚色：

• Alpha（α）：首领，负责决定，指引狩猎方向（当前最优解）。
  
• Beta（β）：第二梯队，帮忙 Alpha 领导群体（次优解）。
  
• Delta（δ）：第三梯队，辅助 Alpha 和 Beta，并监视 Omega（第三优解）。
  
• Omega（ω）：平凡个体，服从其他品级狼的指令（别的搜刮个体）。
  

GWO 重要包罗 困绕、狩猎、攻击猎物 三个核心阶段，通过 Alpha、Beta 和 Delta 共同引导搜刮过程。
2. 公式分析

(1) 困绕猎物

(2) 狩猎

通过 Alpha、Beta 和 Delta 共同引导更新个体位置：

(3) 攻击猎物

随着迭代举行，控制参数 AAA 渐渐减小，使狼群紧缩围捕：

MATLAB 代码实现：

2. % 灰狼优化算法（Grey Wolf Optimizer, GWO）
3. % 输入：
4. %   SearchAgents_no - 种群个体数
5. %   Max_iter - 最大迭代次数
6. %   lb - 搜索空间下界
7. %   ub - 搜索空间上界
8. %   dim - 变量维度
9. %   fobj - 目标函数
10. % 输出：
11. %   Alpha_score - 全局最优适应度值
12. %   Alpha_pos - 最优解
13. %   Convergence_curve - 收敛曲线
15. function [Alpha_score, Alpha_pos, Convergence_curve] = GWO(SearchAgents_no, Max_iter, lb, ub, dim, fobj)
17. % 初始化 Alpha（最优解）、Beta（次优解）、Delta（第三优解）
18. Alpha_pos = zeros(1, dim);
19. Alpha_score = inf; % 适用于最小化问题
21. Beta_pos = zeros(1, dim);
22. Beta_score = inf;
24. Delta_pos = zeros(1, dim);
25. Delta_score = inf;
27. % 初始化种群
28. Positions = initialization(SearchAgents_no, dim, ub, lb);
30. % 记录收敛曲线
31. Convergence_curve = zeros(1, Max_iter);
33. % 迭代计数器
34. l = 0;
36. % 迭代主循环
37. while l < Max_iter
38.     % 计算每个个体的适应度
39.     for i = 1:size(Positions,1)  
40.         
41.         % 边界处理，确保搜索个体不超出范围
42.         Flag4ub = Positions(i,:) > ub;
43.         Flag4lb = Positions(i,:) < lb;
44.         Positions(i,:) = (Positions(i,:) .* (~(Flag4ub + Flag4lb))) + ub .* Flag4ub + lb .* Flag4lb;               
45.         
46.         % 计算适应度
47.         fitness = fobj(Positions(i,:));
48.         
49.         % 更新 Alpha（最优）、Beta（次优）、Delta（第三优）个体
50.         if fitness < Alpha_score
51.             Alpha_score = fitness;
52.             Alpha_pos = Positions(i,:);
53.         end
54.         if fitness > Alpha_score && fitness < Beta_score
55.             Beta_score = fitness;
56.             Beta_pos = Positions(i,:);
57.         end
58.         if fitness > Beta_score && fitness < Delta_score
59.             Delta_score = fitness;
60.             Delta_pos = Positions(i,:);
61.         end
62.     end
63.    
64.     % 计算参数 a（用于调整 A）
65.     a = 2 - l * ((2) / Max_iter);
66.    
67.     % 更新种群个体位置
68.     for i = 1:size(Positions,1)
69.         for j = 1:size(Positions,2)     
70.                        
71.             r1 = rand(); % 随机数 [0,1]
72.             r2 = rand();
73.             
74.             A1 = 2 * a * r1 - a;
75.             C1 = 2 * r2;
77.             % 计算 Alpha 引导的更新位置
78.             D_alpha = abs(C1 * Alpha_pos(j) - Positions(i,j));
79.             X1 = Alpha_pos(j) - A1 * D_alpha;
80.                        
81.             r1 = rand();
82.             r2 = rand();
83.             
84.             A2 = 2 * a * r1 - a;
85.             C2 = 2 * r2;
87.             % 计算 Beta 引导的更新位置
88.             D_beta = abs(C2 * Beta_pos(j) - Positions(i,j));
89.             X2 = Beta_pos(j) - A2 * D_beta;      
90.             
91.             r1 = rand();
92.             r2 = rand();
93.             
94.             A3 = 2 * a * r1 - a;
95.             C3 = 2 * r2;
97.             % 计算 Delta 引导的更新位置
98.             D_delta = abs(C3 * Delta_pos(j) - Positions(i,j));
99.             X3 = Delta_pos(j) - A3 * D_delta;            
100.            
101.             % 计算最终更新位置
102.             Positions(i,j) = (X1 + X2 + X3) / 3;  
103.             
104.         end
105.     end
107.     % 记录收敛曲线
108.     l = l + 1;   
109.     Convergence_curve(l) = Alpha_score;
110. end
112. %% 初始化种群
113. function Positions = initialization(SearchAgents_no, dim, ub, lb)
115. Boundary_no = size(ub,2); % 变量边界数量
117. % 若变量边界相同，则进行统一处理
118. if Boundary_no == 1
119.     Positions = rand(SearchAgents_no, dim) .* (ub - lb) + lb;
120. end
122. % 若每个变量有不同的边界
123. if Boundary_no > 1
124.     for i = 1:dim
125.         ub_i = ub(i);
126.         lb_i = lb(i);
127.         Positions(:,i) = rand(SearchAgents_no,1) .* (ub_i - lb_i) + lb_i;
128.     end
129. end

复制代码

总结

1. GWO 重要特点

• 无需梯度信息，实用于复杂的黑箱优化题目。
  
• 较少参数（仅有 a, A, C），易于实现和调解。
  
• 全局收敛性强，具有良好的搜刮均衡本领。
  
• 可用于连续优化题目，如函数优化、参数寻优、特性选择等。
  

2. GWO 实用场景

• 函数优化题目（如 Ackley, Rastrigin, Rosenbrock）
  
• 神经网络优化（权重、超参数调优）
  
• 工业控制优化（PID 控制参数优化）
  
• 路径规划（呆板人路径寻优）
  
• 数据发掘（特性选择、聚类优化）