【优化求解】改进灰狼算法求解重油热解模型matlab源码

一、简介

本文提供的一种基于多目标的改进灰狼优化算法，包括：

S1、设置狼群的初始化参数及方向修正概率，在解空间中随机初始化每个狼个体的位置；

S2、根据求解目标计算每个狼个体的适应度值，并选择排名靠前的三只狼个体依次赋予Xα、Xβ、Xδ；

S3、根据Xα、Xβ、Xδ优化狼群每个狼个体的位置，产生中庸狼，并计算中庸狼的适应度值和更新狼群位置；

S4、对更新后的狼群执行方向修正操作并根据方向修正概率控制更新后的狼群参与修正维的规模，产生新的中庸狼，并计算新的中庸狼的适应度值，获得修正后的狼群位置；

S5、判断迭代次数是否达到预设最大迭代次数，若是，则输出修正后的狼群位置作为最终优化结果，否则，转至S3继续进行迭代搜索。

可选地，S1具体包括：

设置狼群的大小M、最大迭代次数max gen及方向修正概率pv，在解空间中随机初始化每个狼个体的位置。

可选地，S2具体包括：

根据求解目标计算每个狼个体的适应度值，并依据快速非劣解排序操作、拥挤距离计算、精英保留策略选择排名靠前的三只狼个体依次赋予Xα、Xβ、Xδ。

可选地，快速非劣解排序操作具体包括：

找到狼群中的非支配解集，将非支配解集标记为第一非支配层F1并将非支配解集中的所有狼个体赋予第一非支配序值，并将所有狼个体剔除；

在剔除后的狼群中找出下一层非支配解集并进行标记、非支配序值赋予操作及剔除操作；

依次持续进行对狼群进行非支配解集分层、标记、非支配序值赋予操作及剔除操作，直至整个狼群被完全分层并使得同一非支配层内的狼个体具有相同的非支配序值。

可选地，拥挤距离计算具体包括：

初始化同一非支配层内的狼个体的距离，令狼个体i的拥挤距离L[i]d为0；

同一非支配层内的狼个体按第m个目标值进行递增排序；

给定边缘上的两只狼个体赋予一个大数Inf，使两只狼个体具有绝对选择优势；

对排序中间的狼个体根据公式八求排序中间的狼个体的拥挤距离，公式八具体为：

其中，Nobj为目标数，分别为第i+1和第i-1只狼个体的第m个适应度值，分别为非劣解集中第m个适应度值的最大值和最小值。

可选地，S3具体包括：

根据Xα、Xβ、Xδ通过狼群包围和狼群猎捕的步骤优化狼群每个狼个体的位置，产生中庸狼，并计算中庸狼的适应度值和依据快速非劣解排序操作、拥挤距离计算、精英保留策略选择性更新狼群位置。

可选地，S3与S4之间还包括：

对更新后的狼群的所有狼个体的每一维通过公式九执行归一化操作，公式九具体为：

其中，D为维数，为狼的第d维变量，为归一化后所对应的标量，max(d)、min(d)分别为狼群中第d维变量的上下限。

可选地，S4具体包括：

对更新后的狼群执行方向修正操作并根据方向修正概率控制更新后的狼群参与修正维的规模，产生新的中庸狼，并计算新的中庸狼的适应度值，根据快速非劣解排序操作、拥挤距离计算、精英保留策略择优保留狼个体位置，并根据狼群中的狼个体排名，将狼群划分为Xα、Xβ、Xδ、Xω，获得修正后的狼群位置。

可选地，对更新后的狼群执行方向修正操作具体包括：

通过公式十对更新后的狼群执行方向修正操作，公式十具体为：

其中，d1,d2∈(1，D)，r为0到1的随机数，为中庸狼个体标量的第d1维；

对产生的中庸狼个体标量的每一维通过公式十一进行反归一化操作，公式十一具体为：

其中，为中庸狼的第d维。

可选地，S5具体包括：

判断迭代次数是否达到预设最大迭代次数，若是，则输出修正后的狼群位置作为最终优化结果，并结合模糊决策方法选择最优折中解，否则，转至S3继续进行迭代搜索。

从以上技术方案可以看出，本发明实施例具有以下优点：

本例提供了一种基于多目标的改进灰狼优化算法，包括：S1、设置狼群的初始化参数及方向修正概率，在解空间中随机初始化每个狼个体的位置；S2、根据求解目标计算每个狼个体的适应度值，并选择排名靠前的三只狼个体依次赋予Xα、Xβ、Xδ；S3、根据Xα、Xβ、Xδ优化狼群每个狼个体的位置，产生中庸狼，并计算中庸狼的适应度值和更新狼群位置；S4、对更新后的狼群执行方向修正操作并根据方向修正概率控制更新后的狼群参与修正维的规模，产生新的中庸狼，并计算新的中庸狼的适应度值，获得修正后的狼群位置；S5、判断迭代次数是否达到预设最大迭代次数，若是，则输出修正后的狼群位置作为最终优化结果，否则，转至S3继续进行迭代搜索。本发明实施例中通过利用纵横交叉算法中纵向交叉操作处理部分维容易陷入局部最优问题的独有优势，在标准灰狼算法基础上，融入方向修正操作(纵向交叉操作)，提供一种新的狼群位置更新方法，以帮助部分陷入局部最优的维摆脱当前困局，修正狼群的前进方向，增强算法的全局收敛性，解决了现有技术中的标准灰狼算法在处理多目标优化问题时存在着收敛速度慢、容易陷入局部最优值等缺陷的技术问题。

•  
  %__________________________________________
  clear all 
  clc
  for t = 1:1
      SearchAgents_no=30; % Number of search agents
      Max_iteration=100; % Maximum numbef of iterations
      % Load details of the selected benchmark function
  %     [lb,ub,dim,fobj]=Get_Functions_details(Function_name);
      fobj = @heavyoilevaluate;
      ub = [10,10,10,1500,4000,4500,5,5];
      lb = [0,0,0,800,1500,1500,0,0];
      dim = size(ub,2);
      [Best_score,Best_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,ub,lb,dim,fobj);
       display(['The best solution obtained by GWO is : ', num2str(Best_pos)]);
      display(['Best value by GWO is : ', num2str(Best_score)]);
  end
  opt=heavyoilevaluate(Best_pos,20);
  %重油热解模型  陶毕业论文第7章
  function opt=heavyoilevaluate(input,select)
   
  B=0;
  Klp0=input(1);%范围（0，10）
  Kwp0=input(2);%（0，10）
  Kwlp0=input(3);%（0，10）
  Elp=input(4);%（800，1500）
  Ewp=input(5);%（1500，4000）
  Ewlp=input(6);%（1500，4500）
  nl=input(7);%（0，5）
  nw=input(8);%（0，5）
  if select == 20
      T=[673,683,693,703,698,713,723,733,663,708,703,689,725,715,695,663,683,703,713,723];%自变量
   
      X=[0.3122,0.3348,0.405,0.4034,0.2674,0.4514,0.51,0.574,0.1739,0.4719,0.3478, 0.3562,0.5918,0.4075,0.3355,0.1893,0.222,0.3927,0.3306,0.342];
   
  XL0=[0.2034,0.2305,0.3041,0.3209,0.1638,0.3282,0.3555,0.3685,0.1064,0.3222,0.2346,0.2609,0.4101,0.2724,0.2369,0.1104,0.1447,0.3049,0.2426,0.2559];
  end
  if select == 56
      T=[   673
     723
     673
     723
     673
     673
     683
     683
     683
     703
     683
     683
     693
     683
     695
     698
     703
     723
     708
     713
     698
     713
     713
     733
     708
     733
     713
     713
     715
     733
     723
     733
     725
     663
     733
     663
     708
     673
     689
     673
     693
     673
     693
     683
     684
     683
     703
     693
     703
     703
     708
     713
     713
     723
     719
     723];
      X = [    0.3122
      0.4371
      0.3138
      0.3637
      0.3879
      0.2075
      0.3348
      0.3110
      0.3384
      0.3927
      0.4684
      0.2220
      0.4050
      0.2599
      0.3355
      0.2846
      0.4034
      0.3420
      0.4266
      0.3306
      0.2674
      0.2062
      0.4514
      0.4585
      0.4534
      0.4720
      0.4552
      0.4447
      0.4075
      0.3729
      0.5100
      0.4234
      0.5918
      0.1739
      0.5740
      0.1893
      0.3637
      0.2169
      0.3562
      0.1619
      0.3397
      0.0649
      0.2381
      0.2512
      0.3031
      0.1410
      0.5436
      0.2532
      0.3478
      0.3973
      0.4719
      0.4162
      0.4232
      0.4203
      0.5367
      0.3011];
  XL0 = [
      0.2034
      0.2802
      0.2136
      0.2674
      0.2806
      0.1282
      0.2305
      0.2276
      0.2497
      0.3049
      0.3693
      0.1447
      0.3041
      0.1822
      0.2369
      0.2045
      0.3209
      0.2559
      0.3107
      0.2426
      0.1638
      0.1397
      0.3326
      0.2977
      0.3260
      0.3099
      0.3282
      0.3441
      0.2724
      0.2688
      0.3555
      0.3083
      0.4101
      0.1064
      0.3685
      0.1104
      0.2449
      0.1541
      0.2609
      0.1103
      0.2482
      0.0439
      0.1483
      0.1867
      0.1976
      0.0983
      0.3831
      0.1833
      0.2346
      0.3018
      0.3222
      0.3266
      0.2945
      0.3390
      0.3354
      0.2510]';
  end
   N = max(size(XL0));
  for k=1:1:N
       temp1=Klp0*exp(-Elp/T(k))/nl*(1-(1-X(k))^nl);
     temp2=Kwp0*Kwlp0*exp(-(Ewp+Ewlp)/T(k))/(nw-Kwlp0*exp(-Ewlp/T(k)));
     temp3=(1-(1-X(k))^(Kwlp0*exp(-Ewlp/T(k))))/(Kwlp0*exp(-Ewlp/T(k)));
     temp4=((1-X(k))^nw-1)/nw;
     XXL(k)=temp1+temp2*(temp3+temp4);%模型输出
     B=B+abs(XL0(k)-XXL(k));%目标函数值
          
  end
  if size(input,1) <= 1
      subplot(2,1,1)
      t = 1:1:N;
  plot(t,XL0,'-k','linewidth',1.5);
  hold on
  plot(t,XXL,'--b','linewidth',1.5);
   
  hold off
  xlabel('sample point','fontsize',9);
  ylabel('output','fontsize',9);
   
  legend('actual output','estimate output');
  set(legend,'fontname','Times New Roman')
  set(legend,'fontsize',9)
  subplot(2,1,2)
  plot(t,XL0 -XXL,'-.g','linewidth',1.5)
  hold off
  xlabel('sample point','fontsize',9);
  ylabel('output','fontsize',9);
  legend('output error');
  set(legend,'fontname','Times New Roman')
  set(legend,'fontsize',9)
  data = [XL0',XXL']
  end
  opt=B;

  

  🎈 部分理论引用网络文献，若有侵权联系博主删除

  🎁  关注我领取海量matlab电子书和数学建模资料

  👇  私信完整代码和数据获取及论文数模仿真定制

  1 各类智能优化算法改进及应用

  生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题

  2 机器学习和深度学习方面

  2.1 bp时序、回归预测和分类

  2.2 ENS声神经网络时序、回归预测和分类

  2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

  2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

  2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

  2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

  2.7 ELMAN递归神经网络时序、回归\预测和分类

  2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

  2.9 RBF径向基神经网络时序、回归预测和分类

  2.10 DBN深度置信网络时序、回归预测和分类

  2.11 FNN模糊神经网络时序、回归预测

  2.12 RF随机森林时序、回归预测和分类

  2.13 BLS宽度学习时序、回归预测和分类

  2.14 PNN脉冲神经网络分类

  2.15 模糊小波神经网络预测和分类

  2.16 时序、回归预测和分类

  2.17 时序、回归预测预测和分类

  2.18 XGBOOST集成学习时序、回归预测预测和分类

  方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

  2.图像处理方面

  图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

  3 路径规划方面

  旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

  4 无人机应用方面

  无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

  5 通信方面

  传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信

  6 信号处理方面

  信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

  7 电力系统方面

  微电网优化、无功优化、配电网重构、储能配置、有序充电

  8 元胞自动机方面

  交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

  9  雷达方面

  卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计