灰雁优化算法：受自然启发的优化算法【免费获取Matlab代码】

---

1.背景

2024年，ESM El-Kenawy受到灰雁自然行为启发，提出了灰雁优化算法（Greylag Goose Optimization, GGO）。

2.算法原理

2.1算法思想

GGO灵感来源于灰雁。灰雁是优秀的飞行者，在季节性迁徙中，它们成群飞行，一次飞行可以覆盖数千公里。飞行时，一群雁会形成“V”字形配置。通过这种方式，前面的雁可以最小化后面雁的空气阻力，这使得整个群体飞行的距离比单独飞行时增加约70%。

2.2算法过程

探索阶段

灰雁探索者将在其当前位置附近寻找有前景的新位置进行探索:
$$\mathbf{X}(t+1)={\mathbf{X}}^{\ast }(t)-\mathbf{A}.|\mathbf{C}.{\mathbf{X}}^{\ast }(t)-\mathbf{X}(t)|\text{\hspace{1em}(1)}$$

基于选择三个随机搜索个体（游动群），命名为XPaddle1、XPaddle2和XPaddle3，以迫使个体不受一个领导者位置的影响，从而获得更大的探索范围。当前搜索代理的位置将根据 |𝐀| ≥ 1 进行以下更新:
$$\begin{gathered} \mathbf{X}(t+1)=w_1\ast {\mathbf{X}}_{Paddle1}+\mathbf{z}\ast w_2\ast ({\mathbf{X}}_{Paddle2}-{\mathbf{X}}_{Paddle3})+ \\ (1-\mathbf{z})\ast w_3\ast (\mathbf{X}-{\mathbf{X}}_{Paddle1})\text{\hspace{1em}(2)} \end{gathered}$$
其中，参数w1,w2,w3为[0,2]随机数，参数z呈指数递减:
$$\mathbf{z}=1-{\left(\frac{t}{t_{max}}\right)}^2\text{\hspace{1em}(3)}$$

当r3≥0.5时，第二次更新:
$$\mathbf{X}(t+1)=w_4\ast |{\mathbf{X}}^{\ast }(t)-\mathbf{X}(t)|.e^{bt}.cos(2\pi l)+[2w_1(r_4+r_5)]\ast {\mathbf{X}}^{\ast }(t)\text{\hspace{1em}(4)}$$

开发阶段

GGO向最佳解决方案前进，其设置三个解决方案XSentry1，XSentry2，XSentry3指导其他个体XNonSentry改变其位置，朝向猎物位置:
$$\begin{array}{c}{\mathbf{X}}_1={\mathbf{X}}_{Sentry1}-{\mathbf{A}}_1.|{\mathbf{C}}_1.{\mathbf{X}}_{Sentry1}-\mathbf{X}|\\ {\mathbf{X}}_2={\mathbf{X}}_{Sentry2}-{\mathbf{A}}_2.|{\mathbf{C}}_1.{\mathbf{X}}_{Sentry2}-\mathbf{X}|\\ {\mathbf{X}}_3={\mathbf{X}}_{Sentry3}-{\mathbf{A}}_3.|{\mathbf{C}}_1.{\mathbf{X}}_{Sentry3}-\mathbf{X}|\end{array}\text{\hspace{1em}(5)}$$

GGO在最佳解决方案周围搜索:
$$\mathbf{X}(t+1)=\mathbf{X}(t)+\mathbf{D}(1+\mathbf{z})\ast w\ast (\mathbf{X}-{\mathbf{X}}_{Flock1})\text{\hspace{1em}(6)}$$

伪代码

3.结果展示

4.参考文献

[1] El-Kenawy E S M, Khodadadi N, Mirjalili S, et al. Greylag goose optimization: nature-inspired optimization algorithm[J]. Expert Systems with Applications, 2024, 238: 122147.

5.代码获取