灰狼优化算法(Grey Wolf Optimization,GWO)是新型启元优化算法,相比于其他群体智能优化算法,该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题,根据GWO算法的结构特点,提出了一种自适应调整策略的混沌灰狼优化算法(Chaotic Local Search GWO),利用自适应调整策略来提高GWO算法的收敛速度,通过混沌局部搜索策略增加种群的多样性,使搜索过程避免陷入局部最优。最后利用6个测试函数对算法进行仿真验证,并结合其他4种算法进行了横向比较。实验结果证明,所提出的改进算法在收敛速度、精度以及稳定性方面具有明显的优势。
``` clear all clc
SearchAgentsno=30; % Number of search agents Maxiteration=500; % Maximum numbef of iterations Functionname='F12'; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper) %for funcnum=18:23; % initialflag=0; %Functionname=strcat('F',num2str(funcnum)); % time=cputime; % Load details of the selected benchmark function [lb,ub,dim,fobj]=GetFunctionsdetails(Functionname); [Bestscore,Bestpos,GWOcgcurve]=GWO(SearchAgentsno,Maxiteration,lb,ub,dim,fobj); [Bestscore,Bestpos,IGWOcgcurve]=IGWO(SearchAgentsno,Maxiteration,lb,ub,dim,fobj); PSOcgcurve=PSO(SearchAgentsno,Maxiteration,lb,ub,dim,fobj); % run PSO to compare to results [Bestscore,Bestpos,CGWOcgcurve]=CGWO(SearchAgentsno,Maxiteration,lb,ub,dim,fobj); [Bestscore,Bestpos,FGWOcgcurve]=FGWO(SearchAgentsno,Maxiteration,lb,ub,dim,fobj); [Bestscore,Bestpos,SCAcgcurve]=SCA(SearchAgentsno,Maxiteration,lb,ub,dim,fobj); figure('Position',[500 500 660 290]) %Draw search space subplot(1,2,1); funcplot(Functionname); title('Parameter space') xlabel('x1'); ylabel('x2'); zlabel([Functionname,'( x1 , x_2 )'])
%Draw objective space subplot(1,2,2); semilogy(GWOcgcurve,'Color','r') hold on semilogy(PSOcgcurve,'Color','b') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); hold on semilogy(IGWOcgcurve,'Color','g') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); hold on semilogy(CGWOcgcurve,'Color','c') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); hold on semilogy(FGWOcgcurve,'Color','m') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); hold on semilogy(SCAcgcurve,'Color','k') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); CGWOave=mean2(CGWOcgcurve); CGWOstd=std2(CGWOcgcurve); GWOave=mean2(GWOcgcurve); GWOstd=std2(GWOcgcurve); FGWOave=mean2(FGWOcgcurve); FGWOstd=std2(FGWOcgcurve); IGWOave=mean2(IGWOcgcurve); IGWOstd=std2(IGWOcgcurve); PSOave=mean2(PSOcgcurve); PSOstd=std2(PSOcgcurve); SCAave=mean2(SCAcgcurve); SCAstd=std2(SCAcgcurve); axis tight grid on box on legend('GWO','PSO','IGWO','CGWO','FGWO','SCA') display(['The best solution obtained by CGWO is : ', num2str(Bestpos)]); display(['The best optimal value of the objective funciton found by CGWO is : ', num2str(Bestscore)]); ```
🎈 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