智能优化算法

# 学习目标：

学习多种智能算法，生成优化序列用于排样，一次来提高排样效率

---

学习内容：

一、灰狼算法（GWO）
1、概述：
规模5~12匹狼，具有严格的四层等级制度，如图所示：

α 层：雌雄各一匹，负责对狼群的捕猎活动、休息地点与活动时间等作出决策，它们可能并不是狼群中最强健的狼，但却是经验丰富和善于管理狼群的狼。
β层：它是 α 狼的下属，辅助其做出的各种决策和其他狼群活动，传达命令以及反馈狼群的情况，而且是 α 狼的接班人。
δ层：服从 α 和 β 的指挥，可以指挥 ω，主要负责狼群的游走守卫领地、放哨、捕猎和照顾狼群中的“老弱病残”等。
ω层：命令的执行者，捕食到猎物后参与分食的狼

捕猎阶段

• 追踪，追赶和靠近猎物；
• 追逐、包围和骚扰猎物知道同停止移动；
• 攻击猎物

学者们从狼群的等级制度和捕食猎物等活动中获得启示，抽象出一种群体智能算法——灰狼或狼群算法（GWO）。

核心思想
对狼群的等级制度与捕猎活动进行抽象，从而建立起求解复杂优化问题的智能优化算法框架模型。
1）、将优化问题的一个解视为一匹灰狼，若干数量的解集视为狼群，将解集结果最优前3视为 α、β、δ 狼，剩余的解称之为ω狼；
2）、狼群捕猎时嗅到猎物气味抽象为优化问题的目标；
3）、根据狼群捕猎行为抽象出游走、包围和围猎三种智能行为
狼群捕猎模型如下：

2、算法描述
1）社会等级制度数学模拟
首先，假设狼群规模为 M，优化问题决策变量的数量为 n，即空间搜索维度为 n 维，Xi = (xi1, xi2, xi3,…, xij,…, xin)表示第 i 只灰狼在 n 维空间的位置，对问题的解集根据问题结果的优劣进行分类，狼群当前最优解为 α 狼位置，β、δ 狼的位置分别为次优解和第三优解，剩余的则为 ω 狼位置。
2）捕猎活动数学模拟
包围
灰狼群在 α 狼等带领下发现猎物，然后不断靠近猎物，整个捕猎活动从包围猎物开始，则 GWO 算法通过如下公式模拟狼群对猎物的包围行为：

Xp(t)： 猎物位置，X： 灰狼位置

a的值在整个GWO算法的迭代过程中线性的从2减小至0，二r1,r2曲志伟[0,1]之间的随机向量。

围猎
灰狼具有识别猎物的位置并对猎物进行包围的能力，但是对猎物进行围猎通常是在α狼的领导下进行，β、δ 狼偶尔也会参与到围猎中。在GWO算法中认定α、β 和 δ 狼（最优解、次优解和第三优解）更了解猎物的位置信息，算法中保存这三匹狼的位置，同时令剩余的灰狼根据三匹狼的位置，应用一下数学式子进行更新：

向量|A|应该小于等于1

游走搜索
当系数向量|A|<=1时，灰狼群“猎物”进行围猎，当系数向量|A|>1时，灰狼会基于α、β 和 δ 狼的位置信息，分撒开游走探索猎物潜在的位置。
因此，通过控制收敛因子a在整个GWO算法的迭代过程中线性从2减小至0，实现对系数向量|A|值的控制，从而使得算法在游走搜索猎物、包围猎物和围捕猎物“智能行为”中切换。GWO算法流程图如下：

---