两种动态灰狼优化算法

一、理论基础

1、灰狼优化算法

请参考这里。

2、第一种动态灰狼优化算法(DGWO1)

原理请参考文献[1]，具体算法流程图如图1所示。

图1 第一种动态灰狼优化算法流程图

3、第二种动态灰狼优化算法(DGWO2)

原理请参考文献[1]，具体算法流程图如图2所示。

图2 第二种动态灰狼优化算法流程图

二、仿真实验与分析

为了测试算法的搜寻性能，将DGWO1、DGWO2与标准GWO算法进行对比。以文献[2]的F1~F6为例，维度为30维。种群规模$N=30$，最大迭代次数$T=500$，每个算法独立运算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。
对比结果显示如下：

函数：F1
GWO：最差值: 3.0789e-29,最优值:1.8825e-32,平均值:3.6686e-30,标准差:7.6313e-30
DGWO1：最差值: 5.5734e-20,最优值:8.6673e-22,平均值:1.1098e-20,标准差:1.3305e-20
DGWO2：最差值: 7.2143e-61,最优值:1.0473e-65,平均值:7.8418e-62,标准差:1.6123e-61
函数：F2
GWO：最差值: 2.7593e-18,最优值:3.5677e-19,平均值:1.2114e-18,标准差:5.9816e-19
DGWO1：最差值: 3.2108e-12,最优值:3.4321e-13,平均值:1.2397e-12,标准差:8.2756e-13
DGWO2：最差值: 4.3023e-35,最优值:5.0934e-37,平均值:1.0471e-35,标准差:1.1966e-35
函数：F3
GWO：最差值: 0.2827,最优值:5.7602e-05,平均值:0.013272,标准差:0.05128
DGWO1：最差值: 0.46306,最优值:0.0011419,平均值:0.083167,标准差:0.11844
DGWO2：最差值: 0.00041925,最优值:8.2449e-10,平均值:3.2981e-05,标准差:8.3877e-05
函数：F4
GWO：最差值: 0.00091485,最优值:5.6708e-06,平均值:6.7519e-05,标准差:0.00016305
DGWO1：最差值: 0.0025719,最优值:5.6167e-05,平均值:0.00082909,标准差:0.00062197
DGWO2：最差值: 2.6476e-08,最优值:1.0263e-10,平均值:3.58e-09,标准差:5.9969e-09
函数：F5
GWO：最差值: 28.5262,最优值:25.717,平均值:26.5573,标准差:0.73652
DGWO1：最差值: 28.5194,最优值:25.648,平均值:26.5924,标准差:0.70805
DGWO2：最差值: 27.9389,最优值:25.78,平均值:26.4937,标准差:0.56402
函数：F6
GWO：最差值: 0.70988,最优值:2.6785e-05,平均值:0.28634,标准差:0.22894
DGWO1：最差值: 0.75651,最优值:3.3838e-05,平均值:0.25221,标准差:0.23713
DGWO2：最差值: 0.50645,最优值:2.1248e-05,平均值:0.17054,标准差:0.19621

结果表明，动态GWO算法及时更新搜索狼的位置，提高了算法迭代收敛速度和收敛精度。

三、参考文献

[1] Zhang, X., Zhang, Y., Ming, Z… Improved dynamic grey wolf optimizer[J]. Frontiers of Information Technology and Electronic Engineering, 2021, 22: 877-890.
[2] 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.