群体智能优化算法之灰狼优化算法

转载自我的个人网站 https://wzw21.cn/2022/01/07/gwo/

灰狼优化算法

灰狼群体

灰狼属于犬科动物，被认为是顶级的掠食者，它们处于生物圈食物链的顶端。灰狼大多喜欢群居，每个群体中平均有5至12只狼。灰狼群体有着严格的社会等级制度，如图1所示，其中α是狼群的领导者，负责所有决策；β协助α进行决策，必要时进行接替，地位仅次于α；δ则服从于α和β，负责放哨、侦察等事务；ω处于社会底层，是不可缺少的普通狼，负责种群内部关系的平衡。

图1：灰狼的等级制度，引用自论文《Grey Wolf Optimizer》

集体狩猎是灰狼的一种社会行为，社会等级在集体狩猎过程中发挥着重要的作用，捕食的过程在α的带领下完成。主要包括三个步骤：1）跟踪和接近猎物；2）骚扰、追捕和包围猎物，直到它停止移动；3）攻击猎物。灰狼的集体狩猎行为如图2所示。

图2：灰狼集体狩猎行为，引用自论文《Grey Wolf Optimizer》

模型与算法

灰狼优化算法的主要思路是假设α、β、δ更了解猎物的潜在位置，即优化问题的决策空间中最佳解决方案所在的位置，其他灰狼个体依据α、β、δ的位置来更新其自身位置，逐渐逼近猎物（最优解）。算法直接将前３匹适应度最高的狼分别定义为α，β和δ，它们指导其他狼向着目标搜索。在狩猎过程中，灰狼的基本位置更新方式定义为：
$$\vec{D}=|\vec{C}\cdot \overrightarrow{X_p}(t)-\vec{X}(t)|\text{\hspace{1em}(1)}$$
$$\vec{X}(t+1)=\overrightarrow{X_p}(t)-\vec{A}\cdot \vec{D}\text{\hspace{1em}(2)}$$
式(1)计算个体与目标间的距离，式(2)是灰狼的位置更新公式。其中，$\vec{X}$为位置向量，$\vec{D}$为距离，t是目前的迭代代数，$\vec{A}$和$\vec{C}$为系数向量，计算方式如下：
$$\vec{A}=2\vec{a}\cdot \overrightarrow{r_1}-\vec{a}\text{\hspace{1em}(3)}$$
$$\vec{C}=2\overrightarrow{r_2}\text{\hspace{1em}(4)}$$
其中，$\vec{a}$是收敛因子，随着迭代次数从2线性减小到0，$\overrightarrow{r_1}$和$\overrightarrow{r_2}$是模长属于[0,1]的随机向量。

在模拟灰狼进行狩猎时，根据当前三个最优解所在的位置更新所有搜索单元的位置。灰狼集体狩猎时的行为定义如下：

$$\{\begin{array}{l}\overrightarrow{D_{\alpha }}=|\overrightarrow{C_1}\cdot \overrightarrow{X_{\alpha }}-\vec{X}|\\ \overrightarrow{D_{\beta }}=|\overrightarrow{C_2}\cdot \overrightarrow{X_{\beta }}-\vec{X}|\\ \overrightarrow{D_{\delta }}=|\overrightarrow{C_3}\cdot \overrightarrow{X_{\delta }}-\vec{X}|\end{array}\text{\hspace{1em}(5)}$$
$$\{\begin{array}{l}\overrightarrow{X_1}=\overrightarrow{X_{\alpha }}-\overrightarrow{A_1}\cdot \overrightarrow{D_{\alpha }}\\ \overrightarrow{X_2}=\overrightarrow{X_{\beta }}-\overrightarrow{A_2}\cdot \overrightarrow{D_{\beta }}\\ \overrightarrow{X_3}=\overrightarrow{X_{\delta }}-\overrightarrow{A_3}\cdot \overrightarrow{D_{\delta }}\end{array}\text{\hspace{1em}(6)}$$
$$\vec{X}(t+1)=\frac{\overrightarrow{X_1}+\overrightarrow{X_2}+\overrightarrow{X_3}}{3}\text{\hspace{1em}(7)}$$

其中$\overrightarrow{D_{\alpha }}$，$\overrightarrow{D_{\beta }}$和$\overrightarrow{D_{\delta }}$分别表示α，β和δ与其他个体间的距离，$\overrightarrow{X_{\alpha }}$，$\overrightarrow{X_{\beta }}$和$\overrightarrow{X_{\delta }}$分别代表α，β和δ的当前位置，$\vec{X}$是当前灰狼的位置，$\vec{X}(t+1)$是下一时间步即更新后灰狼的位置。$\vec{A}$和$\vec{C}$为算法带来了随机性，避免陷入局部最优，当$\overrightarrow{|A|}$<1时，灰狼靠近猎物，进行开发，$\overrightarrow{|A|}$>1时，灰狼远离猎物，进行勘探。在计算$\vec{D}$时，$\vec{C}$将随机强化或弱化目标对$\vec{X}$的影响。灰狼位置更新示意图如图3所示。

图3：灰狼位置更新示意图，引用自论文《Grey Wolf Optimizer》

灰狼优化算法的伪代码如下：

初始化灰狼种群 Xi (i=1,2,…,n)
初始化 a, A, C
计算每个搜索单元的适应度
Xα=最优搜索单元
Xβ=第二优搜索单元
Xδ=第三优搜索单元
while (t<最大迭代次数)
  for (每个搜索单元)
    根据公式2.7更新当前搜索单元的位置
  end for
  更新a, A, C
  计算所有搜索单元的适应度
  更新Xα，Xβ，Xδ
  t=t+1
end while
return Xα