灰狼优化matlab,混合灰狼优化（HGWO，DE-GWO）算法matlab源码

说明：博主所有博文及源码中示例所用的支持向量机算法均使用faruto改进的LIBSVM工具箱3.1版本，详细可参见faruto博客http://blog.sina.com.cn/u/1291365075以及http://www.matlabsky.com/thread-17936-1-1.html。

今天学习一个比较新的优化算法，用差分进化(DE)改进原始的灰狼优化(GWO)得到的HGWO(也可以叫DE-GWO)算法。仍然以优化SVR参数为例，需要的同学可以根据需要自己修改源码。

完整程序和示例文件地址：http://download.csdn.net/detail/u013337691/9675376

百度云链接: http://pan.baidu.com/s/1qYvVguS 密码: i7ie

function [bestc,bestg,test_pre]=my_HGWO_SVR(para,input_train,output_train,input_test,output_test)

% 参数向量 parameters [n,N_iteration,beta_min,beta_max,pCR]

% n为种群规模，N_iteration为迭代次数

% beta_min 缩放因子下界 Lower Bound of Scaling Factor

% beta_max=0.8; % 缩放因子上界 Upper Bound of Scaling Factor

% pCR 交叉概率 Crossover Probability

% 要求输入数据为列向量(矩阵)

%% 数据归一化

[input_train,rule1]=mapminmax(input_train');

[output_train,rule2]=mapminmax(output_train');

input_test=mapminmax('apply',input_test',rule1);

output_test=mapminmax('apply',output_test',rule2);

input_train=input_train';

output_train=output_train';

input_test=input_test';

output_test=output_test';

%% 利用差分进化-灰狼优化混合算法(DE_GWO)选择最佳的SVR参数

nPop=para(1); % 种群规模 Population Size

MaxIt=para(2); % 最大迭代次数Maximum Number of Iterations

nVar=2; % 自变量维数，此例需要优化两个参数c和g Number of Decision Variables

VarSize=[1,nVar]; % 决策变量矩阵大小 Decision Variables Matrix Size

beta_min=para(3); % 缩放因子下界 Lower Bound of Scaling Factor

beta_max=para(4); % 缩放因子上界 Upper Bound of Scaling Factor

pCR=para(5); % 交叉概率 Crossover Probability

lb=[0.01,0.01]; % 参数取值下界

ub=[100,100]; % 参数取值上界

%% 初始化

% 父代种群初始化

parent_Position