协调探索和开发能力的改进灰狼优化算法

一、理论基础

1、基本灰狼优化算法

请参考这里。本文的位置更新公式有所改变，具体如下：$$X_i^d(t+1)=\sum _{j=\alpha ,\beta ,\delta }{w}_j{X}_{i,j}^d(t+1)\text{\hspace{1em}(1)}$$其中，$w_j(j=\alpha ,\beta ,\delta )$表示$\alpha ,\beta$和$\delta$狼的权重系数，即$$w_j=\frac{f(X_j(t))}{f(X_{\alpha }(t))+f(X_{\beta }(t))+f(X_{\delta }(t))}\text{\hspace{1em}(2)}$$$f(X_j(t))$表示第$j$个个体在第$t$代的适应度值。

2、改进灰狼优化算法

（1）佳点集种群初始化

佳点集是一种有效的、能够均匀选点的方法，与随机方法相比，利用佳点集方法取点能够更均匀地分布在搜索空间中。因此，本文将佳点集方法应用到GWO算法中生成初始种群个体。利用佳点集产生初始种群的具体原理详见文献[1]。
佳点集生成个体与随机生成个体分布如如图1所示。

图1 两种不同策略生成的个体散点图

其代码下载链接：https://download.csdn.net/download/weixin_43821559/85225922

（2）非线性控制参数策略

受PSO算法中惯性权重设置的启发，本文提出一种基于正切三角函数的非线性控制参数策略，即$$a(t)=a_{initial}-(a_{initial}-a_{final})\times \tan (\frac{1}{\epsilon }\cdot \frac{t}{T}\cdot \pi )\text{\hspace{1em}(3)}$$其中，$a_{initial}$和$a_{final}$分别为控制参数$a$的初值和终值，取值分别为1和0；$\epsilon >0$为非线性调价系数，取值为5；$t$为当前迭代次数，$T$为最大迭代次数。由式(3)可知，控制参数$a$随迭代次数的增加非线性动态变化，以协调GWO算法的全局探索和局部开发能力。

（3）基于个体记忆功能的位置更新公式

为了改善GWO算法的局部开发能力，受粒子群优化(PSO)算法的启发,将PSO算法中对粒子自身运动历史最优解进行记忆保存的思想引入到GWO算法中，对个体的记忆功能加以改进,使其能够记忆自身进化过程中的最优解。为此，本文提出一种基于个体自身记忆功能的位置更新公式替代式(1)，表示为$$X_i^d(t+1)=b_1\cdot \sum _{j=\alpha ,\beta ,\delta }{w}_j{X}_{i,j}^d(t+1)+b_2\cdot rand\cdot (P_{best}^d-X_i^d(t))\text{\hspace{1em}(4)}$$其中，$b_1\in [0,1]$为群体交流系数，$b_2\in [0,1]$为个体交流系数，$rand$为$[0,1]$间的随机数，$P_{best}^d$为第$i$只灰狼所经历过的最佳位置。类似于PSO算法，通过调节$b_1$和$b_2$的值，可以协调群体交流与个体记忆对算法搜索的影响。

二、仿真实验与分析

将改进的灰狼算法(IGWO)与基本灰狼优化算法(GWO)进行比较，以F1~F3为例，如下图所示。
结果表明，本文提出的IGWO算法具有较强的竞争力和较小的适应度函数值。

三、参考文献

[1] 陈义雄, 梁昔明, 黄亚飞. 基于佳点集构造的改进量子粒子群优化算法[J]. 中南大学学报(自然科学版), 2013, 44(4): 1409-1414.
[2] 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(10): 1749-1757.