“在代码的海洋里,有无尽的知识等待你去发现。我就是那艘领航的船,带你乘风破浪,驶向代码的彼岸。
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
GWO 算法精妙地模仿了自然界中灰狼所特有的领导等级制度和复杂的狩猎机制。它精心地采用了四种类型的灰狼,分别如处于领导地位的阿尔法、仅次于阿尔法的贝塔、排名稍靠后的德尔塔以及处于底层的欧米茄,以此来生动且精准地模拟自然界中的领导等级制度。此外,还细致且全面地实施了狩猎、寻找猎物、包围猎物和攻击猎物这三个关键的主要步骤,进而有条不紊地执行优化任务。
📚2 运行结果
主函数部分代码:
clear all
clc
SearchAgents_no=30; % Number of search agents
Function_name='F10'; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper)
Max_iteration=500; % Maximum numbef of iterations
% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
[Best_score,Best_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
semilogy(GWO_cg_curve,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
grid on
box on
legend('GWO')
display(['The best solution obtained by GWO is : ', num2str(Best_pos)]);
display(['The best optimal value of the objective funciton found by GWO is : ', num2str(Best_score)]);
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]闵超,崔均熠,赵超超,等.基于非线性搜索策略的改进灰狼优化算法及其应用[J].四川师范大学学报(自然科学版),2024,47(04):537-547.
[2]马随东,艾尔肯·亥木都拉,郑威强.改进GWO算法求解柔性作业车间调度问题[J].机床与液压,2024,52(04):132-139.