求解全局优化问题的改进灰狼算法

一、理论基础

1、灰狼优化算法

请参考这里。

2、改进的灰狼优化算法

（1）指数规律收敛因子调整策略

在GWO中，随迭代的更新方式采用一种线性递减策略，可用等式$a=2(1-t/T)$进行计算。研究表明重要参量的不同更新策略会极大影响算法的性能，而且线性策略往往不是最有效的。因此，本文提出了一种新的基于指数规律变化的收敛因子更新方式，如式(1)所示。$$a=2e^{-t/T}\text{\hspace{1em}(1)}$$如图1所示，线性表示GWO中所使用的收敛因子更新方式，指数形式表示本文提出的新的收敛因子更新方式。

图1 两种收敛因子

（2）自适应位置更新策略

为了更好地平衡算法的全局搜索和局部开发过程，本文提出了一种新的自适应的移步策略，其数学表达式为$$\mathbf{X}(t+1)=\frac{{\mathbf{X}}_1+{\mathbf{X}}_2+{\mathbf{X}}_3}{3}\left(1-\frac{t}{T}\right)+{\mathbf{X}}_1\frac{t}{T}\text{\hspace{1em}(2)}$$

（3）修订的动态权重策略

本文提出一种基于改进步长欧氏距离的比例权重，表达式如下$$W_1=\frac{|{\mathbf{X}}_1|}{|{\mathbf{X}}_1|+|{\mathbf{X}}_2|+|{\mathbf{X}}_3|+\epsilon }\text{\hspace{1em}(3)}$$$$W_2=\frac{|{\mathbf{X}}_2|}{|{\mathbf{X}}_1|+|{\mathbf{X}}_2|+|{\mathbf{X}}_3|+\epsilon }\text{\hspace{1em}(4)}$$$$W_3=\frac{|{\mathbf{X}}_3|}{|{\mathbf{X}}_1|+|{\mathbf{X}}_2|+|{\mathbf{X}}_3|+\epsilon }\text{\hspace{1em}(5)}$$结合前面的自适应位置更新策略，最终的灰狼位置更新方式可表示为$$\mathbf{X}(t+1)=\frac{W_1{\mathbf{X}}_1+W_2{\mathbf{X}}_2+W_3{\mathbf{X}}_3}{3}\left(1-\frac{t}{T}\right)+{\mathbf{X}}_1\frac{t}{T}\text{\hspace{1em}(6)}$$

（4）MGWO算法步骤

综合使用以上3种改进策略，本文提出的改进灰狼优化算法(MGWO)步骤如下：
a. 参数初始化。设定种群规模$N$，总迭代次数$T$，常数$\epsilon$；初始化$a,\mathbf{A},\mathbf{C}$。
b. 在待解问题的搜索空间内随机生成灰狼初始种群。
c. 计算种群中所有灰狼个体的适应值，选择适应度值最优的个体，并记录其位置为$X_{\alpha }$。令$t=1$，迭代开始。
d. 判断算法是否满足终止条件，若满足，则输出最优解；否则，执行步骤e。
e. 根据式(1)计算收敛因子$a$。
f. 灰狼种群按适应度值排序，排在前两位的位置分别被记录为$X_{\beta }$和$X_{\delta }$。
g. 根据式(3)~(5)计算动态比例权重，灰狼个体根据式(6)更新位置。
h. 将超出搜索空间的灰狼个体放回搜索空间。
i. 更新$X_{\alpha }$，令$t=t+1$，返回步骤d。

二、实验与分析

为了实验验证提出的3种改进策略的有效性，选取了国际上通用的10种基准测试函数进行仿真实验。为保证无偏性，所有算法的种群数$N$均设定为30，总迭代次数设定为500。为了排除随机性的影响，所有实验独立运行30次，取30次的最差值、最优值、平均值和标准差作为算法性能的度量标准。基准测试函数如表1所示。

表1 基准测试函数

为了测试算法的搜寻性能，将该算法(MGWO-4)和标准GWO、MGWO-1(①指数规律收敛因子调整策略)、MGWO-2(②自适应位置更新策略)、MGWO-3(①和②)算法进行对比。
结果显示如下：

函数：F1
GWO：最差值: 1.4552e-29,最优值:1.267e-32,平均值:1.5097e-30,标准差:2.7903e-30
MGWO-1：最差值: 4.2164e-40,最优值:9.4128e-43,平均值:1.0594e-40,标准差:1.2218e-40
MGWO-2：最差值: 1.0874e-38,最优值:5.508e-42,平均值:1.2997e-39,标准差:2.4961e-39
MGWO-3：最差值: 8.9691e-57,最优值:4.5738e-60,平均值:1.2464e-57,标准差:2.1382e-57
MGWO-4：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F2
GWO：最差值: 4.3566e-18,最优值:1.336e-19,平均值:1.2576e-18,标准差:1.0638e-18
MGWO-1：最差值: 6.7863e-24,最优值:1.7592e-25,平均值:1.5421e-24,标准差:1.6552e-24
MGWO-2：最差值: 9.0065e-24,最优值:7.4007e-25,平均值:3.3896e-24,标准差:2.6174e-24
MGWO-3：最差值: 1.1217e-34,最优值:1.2677e-36,平均值:2.4423e-35,标准差:2.9482e-35
MGWO-4：最差值: 2.0473e-175,最优值:3.5013e-180,平均值:1.1512e-176,标准差:0
函数：F3
GWO：最差值: 0.085399,最优值:1.1767e-05,平均值:0.010158,标准差:0.019021
MGWO-1：最差值: 0.077595,最优值:6.9631e-08,平均值:0.0038984,标准差:0.015038
MGWO-2：最差值: 0.00064862,最优值:3.1603e-08,平均值:7.9843e-05,标准差:0.00016394
MGWO-3：最差值: 0.0018542,最优值:3.3833e-09,平均值:0.00017125,标准差:0.00039677
MGWO-4：最差值: 1.0646e-276,最优值:3.569e-290,平均值:3.6621e-278,标准差:0
函数：F4
GWO：最差值: 0.00047721,最优值:4.409e-06,平均值:8.2652e-05,标准差:0.00011329
MGWO-1：最差值: 3.3578e-06,最优值:9.6845e-09,平均值:7.6436e-07,标准差:9.1137e-07
MGWO-2：最差值: 1.2796e-06,最优值:2.2712e-08,平均值:3.4154e-07,标准差:3.3734e-07
MGWO-3：最差值: 4.5748e-09,最优值:1.8986e-13,平均值:3.6017e-10,标准差:9.9868e-10
MGWO-4：最差值: 5.0797e-153,最优值:8.0258e-158,平均值:3.8122e-154,标准差:9.8302e-154
函数：F5
GWO：最差值: 27.9046,最优值:25.7223,平均值:26.5071,标准差:0.62527
MGWO-1：最差值: 27.9041,最优值:25.7323,平均值:26.4825,标准差:0.57819
MGWO-2：最差值: 28.7171,最优值:25.3022,平均值:26.5141,标准差:0.69098
MGWO-3：最差值: 27.9004,最优值:25.6616,平均值:26.4911,标准差:0.52005
MGWO-4：最差值: 28.8818,最优值:27.2257,平均值:28.4811,标准差:0.41967
函数：F6
GWO：最差值: 1.0089,最优值:4.0651e-05,平均值:0.31731,标准差:0.28474
MGWO-1：最差值: 1.0329,最优值:0.050665,平均值:0.38327,标准差:0.29009
MGWO-2：最差值: 0.75711,最优值:0.00095895,平均值:0.27777,标准差:0.1885
MGWO-3：最差值: 1.5344,最优值:0.15741,平均值:0.5913,标准差:0.31121
MGWO-4：最差值: 5.2145,最优值:2.2123,平均值:3.6286,标准差:0.73186
函数：F7
GWO：最差值: 0.008381,最优值:0.0012311,平均值:0.0040679,标准差:0.0019271
MGWO-1：最差值: 0.0064329,最优值:0.0013821,平均值:0.003398,标准差:0.0013574
MGWO-2：最差值: 0.011478,最优值:0.0011815,平均值:0.0038971,标准差:0.002502
MGWO-3：最差值: 0.012945,最优值:0.0016476,平均值:0.0038201,标准差:0.0021987
MGWO-4：最差值: 0.00042738,最优值:2.8814e-06,平均值:9.6257e-05,标准差:0.00010126
函数：F8
GWO：最差值: 120.5225,最优值:2.2132,平均值:17.8204,标准差:21.0031
MGWO-1：最差值: 77.7232,最优值:4.0288,平均值:27.3338,标准差:16.2311
MGWO-2：最差值: 51.2889,最优值:4.8458,平均值:18.124,标准差:12.5412
MGWO-3：最差值: 101.1264,最优值:0,平均值:35.8796,标准差:31.5587
MGWO-4：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F9
GWO：最差值: 3.2863e-14,最优值:1.5099e-14,平均值:2.102e-14,标准差:5.6238e-15
MGWO-1：最差值: 7.9936e-15,最优值:4.4409e-15,平均值:5.2699e-15,标准差:1.5283e-15
MGWO-2：最差值: 7.9936e-15,最优值:4.4409e-15,平均值:4.7962e-15,标准差:1.084e-15
MGWO-3：最差值: 4.4409e-15,最优值:8.8818e-16,平均值:1.0066e-15,标准差:6.4863e-16
MGWO-4：最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0
函数：F10
GWO：最差值: 0.037742,最优值:0,平均值:0.0088621,标准差:0.011627
MGWO-1：最差值: 0.027145,最优值:0,平均值:0.0061021,标准差:0.0091115
MGWO-2：最差值: 0.026093,最优值:0,平均值:0.0054443,标准差:0.0084195
MGWO-3：最差值: 0.026507,最优值:0,平均值:0.0054687,标准差:0.0094762
MGWO-4：最差值: 0,最优值:0,平均值:0,标准差:0

仿真结果表明，综合使用3种改进策略的MGWO-4具有较强的局部最优避免性、较快的收敛速度、较高的求解精度，它明显提升了基本GWO的性能，更好地平衡了算法的全局搜索性和局部开发性。

三、参考文献

[1] 张阳, 周溪召. 求解全局优化问题的改进灰狼算法[J]. 上海理工大学学报, 2021, 43(1): 73-82.