✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
提出一种协调探索和开发能力的灰狼优化算法.利用佳点集方法初始化灰狼个体的位置,为全局搜索多样性奠定基础;为协调算法的全局探索和局部开发能力,给出一种基于正切三角函数描述的非线性动态变化控制参数;为加快算法的收敛速度,受粒子群优化算法个体记忆功能的启发,设计一种新的个体位置更新公式.10个标准函数的测试结果表明,改进灰狼优化(IGWO)算法能够有效地协调其对问题搜索空间的探索和开发能力.
⛄ 部分代码
%% 清空环境
clc
clear
tic
%% 参数初始化
%粒子群算法中的两个参数
c1 = 1.49445;
% c2 = 1.49445;
% c1 = 1;
c2 = 1;
maxgen=100; % 进化次数
sizepop=30; %种群规模
Vmax=3;
Vmin=-3;
% popmax=2;
% popmin=-2;
Dim=5;
lb=ones(1,Dim);
ub=[10 7 15 21 11];
pop = round(rand(sizepop, Dim).*repmat(ub-lb,sizepop,1) + repmat(lb,sizepop,1));
%% 产生初始粒子和速度
for i=1:sizepop
V(i,:)=3*rands(1,5); %初始化速度
%计算适应度
fitness(i)=fitness1(pop(i,:)); %染色体的适应度
end
%% 个体极值和群体极值
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %全局最佳
gbest=pop; %个体最佳
fitnessgbest=fitness; %个体最佳适应度值
fitnesszbest=bestfitness; %全局最佳适应度值
%% 迭代寻优
for i=1:maxgen
for j=1:sizepop
%速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;
%种群更新
pop(j,:)=pop(j,:)+V(j,:);
pop=round(pop);
for jj=1:Dim
if pop(j,jj)>ub(jj)
pop(j,jj)=ub(jj);
end
if pop(j,jj)<lb(jj)
pop(j,jj)=lb(jj);
end
end
%适应度值
fitness(j)=fitness1(pop(j,:));
end
for j=1:sizepop
%个体最优更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
%群体最优更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i)=fitnesszbest;
end
%% 结果分析
figure
plot(yy)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
disp(yy(end))
toc
⛄ 运行结果
⛄ 参考文献
[1]龙文, 伍铁斌. 协调探索和开发能力的改进灰狼优化算法[J]. 控制与决策, 2017, 32(010):1749-1757.
❤️ 关注我领取海量matlab电子书和数学建模资料
❤️部分理论引用网络文献,若有侵权联系博主删除