目录
0 引言
为了缓解GWO种群多样性的缺乏、开发和勘探之间的不平衡以及G算法的过早收敛性能。Mohammad H等人在2021提出基于维度学习的狩猎(DLH)搜索策略来优化GWO算法,该策略继承自自然界中狼的个体狩猎行为。同时DLH 使用不同的方法为每只狼构建一个邻域,其中邻域信息可以在狼之间共享。DLH 搜索策略中使用的这种维度学习增强了局部和全局搜索之间的平衡并保持了多样性。
1 数学模型
IGWO在GWO基础上引入DLH搜索策略,主要包括三个阶段:初始化、DLH移动、选择和更新。
(1)GWO群体狩猎活动
参考上一期文章:灰狼算法优化BP神经网络(GWO-BP)原理及matlab代码-CSDN博客
(2)初始化:在这个阶段,狼群在在给定范围内[li,uj]随机分布在搜索空间中更新其自身位置.
式中Ij为最终灰狼ω位置
(3)DLH移动策略:通过不同的邻居和随机从所有种群中随机选取的一匹狼来学习更新出DLH个体位置,具体操作如以下数学模型所示:
式中式(10)利用欧氏距离计算当前灰狼位置和最终灰狼ω位置之间距离,式(11)表示Xi(t)的邻居用Ni(t)表示,Di 是 Xi (t) 和 Xj (t) 之间的欧氏距离;式(13)是通过多邻域学习得到DLH个体移动位置,其中Xi,d(t)表示前一次迭代DLH个体,Xn,d(t)表示Ni(t)中随机选取的邻居灰狼、Xr,d(t)表示所有种群中随机选择的狼。
(4)选择更新策略:在候选解和DLH个体中的适应度进行比较,从而选出优胜者。
2 模型对比
2.1 IGWO伪代码
2.2 可视化对比图
由于BP神经网络具有随机性,所以对比模型采用固定随机组函数来对比,代码如下:
rand('seed',1)
适应度对比:
误差对比:UCI回归数据的预测结果对比
3 IGWO-BP的matlab代码
1)单输出回归预测:单输出回归:改进的灰狼算法优化BP神经网络模型(IGWO-BP)
2)多输出回归预测:多输出回归:改进的灰狼算法优化BP神经网络模型(IGWO-BP)
3)分类模型:分类:改进的灰狼算法优化BP神经网络模型(IGWO-BP)
4)时间序列模型:时间序列:改进的灰狼算法优化BP神经网络模型(IGWO-BP)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’
5 参考文献
Nadimi-Shahraki, Mohammad H., Shokooh Taghian, and Seyedali Mirjalili. "An improved grey wolf optimizer for solving engineering problems." Expert Systems with Applications 166 (2021): 113917.