鲸鱼优化算法（WOA）MATLAB代码实现过程（附代码）

        鲸鱼算法（WOA）的原理介绍，通过网上查询，可以直接获取相关文献，这里将不在对其原理进行讲解，直接进入正题，鲸鱼算法可以进行复杂问题的优化设计以及路径规划等等。本篇文章主要是通过MATLAB编写程序实现对复杂函数的寻优过程，函数如下：

        本次寻优目的是找出上述方程在[-50,50]的最小值，这个方程通过我们已学的知识就可以判断出最小值是0，但是一共有30个自变量，对于计算机而言，它并不是直接知道结果，只能一步一步去计算，如果一个一个量去计算，那么30个自变量的计算量还是很大的，因此通过使用鲸鱼算法（ WOA）求解可以节省计算时间，也可以得到一个比较满意的结果。

        接下来就是利用MATLAB实现鲸鱼优化算法的过程：

step1:建立两个自定义函数，适应度函数和边界条件函数

        适应度函数为我们所求的函数值大小

 %% 适应度函数
function y=fitt(x)
    y=sum(x.^2);
end

        边界条件函数是防止在迭代更新过程中，自变量超出了我们所设定的范围。本次代码设置如果自变量超过边界值时，则将边界值赋予自变量，如自变量如果大于50或者小于-50，则将50或者-50赋给自变量，在这个函数中使用到一个length()函数，这是得到变量长度的意思。

%% 边界处理
function X=bound(X,ub,lb)
    for i=1:length(X(:,1))
        for j=1:length(X(1,:))
            if X(i,j)>ub
                X(i,j)=ub;
            end
            if X(i,j)<lb
                X(i,j)=lb;
            end
        end
    end
end

step2：种群初始化，设置算法基本参数，种群数量，总迭代次数 ，上下限等，这部分代码中出现的inf是无穷大的意思，rand()函数取一个0到1的随机数，

%鲸鱼优化算法
%%这里通过对y=x1^2+x2^2+...+x30^2在[-50,50]的最小值，
%一共30个变量，很明显这个函数的最小值是0，接下来通过鲸鱼算法寻优情况
clear
clc
close all
%% 基本参数设置
pop = 50;      %种群数量
T   = 200;     %总迭代次数
dim = 30;      %自变量维度
ub  = 50;      %上限
lb  =-50;      %下限
t=1;           %迭代次数
fitmin=inf;    %函数最小值 
%种群初始化
    adfsaf=rand(pop,dim);
    X=lb+adfsaf.*(ub-lb);%自变量初始值

step3：接下来就是迭代寻优过程了，其中包括包围法、泡泡网法以及随机搜索。

 %% 
while t<T
    
    %计算适应度
    for i=1:pop
        fitness(i)=fitt(X(i,:));
    end
    %找到最佳适应度以及最优头鲸
    [sortwith,gave]=sort(fitness);
    coad=sortwith(1);
    gpsoe=X(gave(1),:);
    if coad<fitmin
        fitmin=coad;
        X_best=gpsoe;
    end
        
        r=rand();
        a=2*(1-t/T);
        A=(2*r-1)*a;
        C=2*r;
%如果p<0.5,采用包围法更新位置，否则采用泡泡网法
    if rand<0.5 
    % 种群更新-包围法
   
        for i=1:pop-1
            D1=abs(C*X_best-X(gave(i+1),:));
            X(gave(i+1),:)=X_best-A*D1;
        end
    else
        %种群更新-泡泡网法
        b=4;
        l=rand;
        for i=1:pop-1
            D2=abs(X_best-X(gave(i+1),:));
            X(gave(i+1),:)=D2*exp(b*l)*cos(2*pi*l)+X_best;
        end
    end
    %随机搜索
    if abs(A)>1
        train=randi([1 ,pop],10,1);%选取鲸鱼中随机鲸鱼进行位置更新
        for i=1:length(train)
            X(train(i))=X(randi([1,pop]))-A*abs(C*X(randi([1,pop]))-X(train(i)));
        end
    end
    %边界处理
    X=bound(X,ub,lb);
    %保存本次迭代最佳适应度以及最佳鲸鱼位置
    cound(t)=fitmin;
   t=t+1;
  end

step4：等到全部迭代完了之后，就可以进行结果可视化了。通过计算可以得到一个结果最小值为3.1213e-8，已经非常逼近理想值0了。

  %% 绘图
plot(1:length(cound),cound)
xlabel('迭代次数')
ylabel('适应度值')
title('鲸鱼算法寻找最小值过程',['最小值',num2str(cound(end))])
legend('WOA寻优')