独家发布!12种灰狼优化算法(GWO)变体的改进策略学习!
改进的算法代码已详细注释改进点并附带相应的参考文献PDF,便于读者结合文献学习代码。将这些改进版本在CEC2005上面运行比较,读者如需要特定算法的可以后台留言。
(一)基于Aquila探索方法的灰狼优化算法(AGWO)
改进点包括:
1、非线性参数控制策略
2、莱维飞行策略
3、新的灰狼位置更新策略
代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,AGWO为中科院sci一区top论文,期刊为:“Expert Systems With Applications”。具有很大的参考价值。代码复现、定制私信。
(二)基于pmsg的风电并网系统的增强灰狼优化算法(原文名称:AGWO,为了和第一个区分开,这里我们命名为:AGWO1)
改进点包括:
1、非线性因子控制策略
2、基于α、β狼的位置更新公式
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,该论文为中科院sci一区top论文,期刊为:“Applied Soft Computing”。具有很大的参考价值。代码复现、定制私信。
(三)基于竞争学习的灰狼优化算法在工程问题及多层感知器训练中的应用(Clb-GWO)
改进点包括:
1、设计差分向量促进种群多样性
2、选择性互补的双搜索系统
3、新的灰狼位置更新策略
代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(四)用于全局优化的改进灰狼优化算法(EGWO)
改进点包括:
1、提出新的灰狼狩猎机制
2、提出平衡探索和开发阶段的参数
代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(五)一种用于解决工程问题的改进灰狼优化器(IGWO)
改进点包括:
提出了一种新的移动策略——基于维度学习的狩猎(DLH)搜索策略。
该策略继承了自然界中狼的个体狩猎行为。DLH使用不同的方法为每只狼构建邻域,使邻域信息可以在狼之间共享。DLH搜索策略中使用的维度学习增强了局部和全局搜索之间的平衡,保持了多样性。
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法该文是中科院一区top,具有很大的参考价值。代码复现、定制私信。
(六)基于记忆、进化算子和局部搜索的线性种群缩减技术的改进灰狼算法(MELGWO)
改进点包括:
1、记忆机制
2、进化算子更新方式
3、随机局部搜索技术
4、线性种群规模缩减(LPSR)技术
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,该论文为中科院sci一区top论文,具有很大的参考价值。代码复现、定制私信。
(七)面向现实世界优化的贪婪无层级灰狼优化器(GNHGWO)
改进点包括:
1、提出新的更新规则
2、提出一种基于灰狼的贪婪策略
3、忽略灰狼社会等级
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(八)基于田口理论的灰狼优化与布谷鸟搜索混合算法(GWO_CS)
改进点包括:
1、基于田口理论,结合两种算法的优点
2、提出了一种结合田口正交阵列的方法
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(九)一种新的K-means灰狼算法求解工程问题(KMGWO)
改进点包括:
1、提出k均值聚类方法增强算法
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(十)改进GWO用于大规模函数优化和癌症识别中的MLP优化(RSMGWO)
改进点包括:
1、提出随机反向学习策略
2、引入强化层级结构技术
3、改进进化种群动力学(EPD)
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(十一)基于选择性反向的灰狼优化算法(SOGWO)
改进点包括:
1、提出反向学习(OBL)策略
2、提出spearman相关系数用于确定(ω)狼(狼群中社会地位最低的狼)对其进行反向学习。而不是反对狼的所有维度,狼的一些维度被选择用于反对。
该论文发表在中科院sci一区top论文,期刊为:“Expert Systems With Applications”。可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
(十二)一种具有速度辅助全局搜索机制的改进灰狼优化算法(VAGWO)
改进点包括:
1、提出考虑速度项可以帮助搜索智能体保持其独特的轨迹,增强搜索智能体的探索能力,平衡优化过程中的探索和利用阶段,从而避免早熟收敛。
2、提出新的参数控制策略
3、提出新的更新规则
可对比和二次开发,代码已详细注释改进点并附带参考文献PDF,这些策略可推广到其它算法,具有很大的参考价值。代码复现、定制私信。
为了方便读者阅读,所有算法均放在CEC2005经典测试集上面运行比较,有需要更换其他测试集或者需要特定算法的后台留言私信。
CEC2005部分测试函数实验结果如下:
完整代码获取: