GWO灰狼优化算法python和matlab代码

简单实现了GWO灰狼优化算法的Matlab版本和Python版本，程序易读且简洁。
Matlab：
这里可以移步github：https://github.com/ZYunfeii/GreyWolfOptimization-GWO中GWO.mlx文件，因为我是用实时编辑器写的，用matlab打开这个文件可以更好得展示其中的批注。
Python:

#!/usr/bin/python
# -*- coding: UTF-8 -*-
"""
author: Y. F. Zhang
"""import numpy as np
import matplotlib.pyplot as pltclass GWO:def __init__(self):self.wolf_num = 15self.max_iter = 150self.dim = 30self.lb = -30*np.ones((self.dim,))self.ub = 30*np.ones((self.dim,))self.alpha_pos = np.zeros((1,self.dim))self.beta_pos = np.zeros((1, self.dim))self.delta_pos = np.zeros((1, self.dim))self.alpha_score = np.infself.beta_score = np.infself.delta_score = np.infself.convergence_curve = np.zeros((self.max_iter,))self.position = np.zeros((self.wolf_num,self.dim))def run(self):count = 0self.init_pos()while count < self.max_iter:for i in range(self.wolf_num):flag_ub = self.position[i,:] > self.ubflag_lb = self.position[i,:] < self.lbself.position[i,:] = self.position[i,:]*(~(flag_lb+flag_ub))+flag_ub*self.ub+flag_lb*self.lbfitness = self.func(self.position[i,:])if fitness < self.alpha_score:self.alpha_score = fitnessself.alpha_pos = self.position[i,:]elif fitness < self.beta_score:self.beta_score = fitnessself.beta_pos = self.position[i,:]elif fitness < self.delta_score:self.delta_score = fitnessself.delta_pos = self.position[i,:]a = 2 - count*(2/self.max_iter)for i in range(self.wolf_num):for j in range(self.dim):alpha = self.update_pos(self.alpha_pos[j],self.position[i,j],a)beta = self.update_pos(self.beta_pos[j], self.position[i, j], a)delta = self.update_pos(self.delta_pos[j], self.position[i, j], a)self.position[i, j] = sum(np.array([alpha, beta, delta]) * np.array([1/3,1/3,1/3]))count += 1self.convergence_curve[count-1] = self.alpha_scoreself.plot_results()def init_pos(self):for i in range(self.wolf_num):for j in range(self.dim):self.position[i,j] = np.random.rand()*(self.ub[j]-self.lb[j])+self.lb[j]@staticmethoddef update_pos(v1,v2,a):A = 2*np.random.rand()*a-aC = 2*np.random.rand()temp = np.abs(C*v1-v2)return v1 - A*tempdef plot_results(self):plt.style.use('seaborn-darkgrid')plt.plot(range(1,self.max_iter+1),self.convergence_curve,'g.--')plt.xlabel('iteration')plt.ylabel('fitness')plt.title('GWO fitness curve')plt.show()@staticmethoddef func(x):dim, s = 30, 0for i in range(len(x)-1):s += 100*(x[i+1]-x[i]**2)**2+(x[i]-1)**2return sif __name__ == "__main__":gwo = GWO()gwo.run()

优化函数：
f(x)=∑i=1n−1[100(xi+1−xi2)2+(xi−1)2]f(x)=\sum_{i=1}^{n-1}\left[100\left(x_{i+1}-x_{i}^{2}\right)^{2}+\left(x_{i}-1\right)^{2}\right]f(x)=i=1∑n−1[100(xi+1−xi2)2+(xi−1)2]

维数：30
搜索范围[−30,30][-30,30][−30,30]
fmin=0f_{min}=0fmin=0

结果：

左图是Matlab版本，右图是Python版本，这两份代码均在https://github.com/ZYunfeii/GreyWolfOptimization-GWO。

GWO灰狼优化算法python和matlab代码相关推荐

【MATLAB教程案例16】基于GWO灰狼优化算法的函数极值计算matlab仿真及其他应用
FPGA教程目录 MATLAB教程目录目录 1.软件版本 2.GWO灰狼优化算法的理论知识 2.1包围 2.2追捕 2.3攻击
果蝇（FOA）优化算法(附完整Matlab代码，可直接复制）
果蝇优化算法的核心是利用果蝇搜索实物的机制来对问题进行寻优.果蝇根据气味来确定食物的位置,食物腐烂程度越高,气味越大,果蝇对其越敏感.果蝇的觅食行为如下图: Fig1. 果蝇觅食行为示意图 1.果蝇位 ...
MATLAB实战系列（十一）-多种群遗传算法的函数优化算法（附MATLAB代码）
前言: 本篇博文参考,智能优化算法书籍<MATLAB智能算法30个案例分析(第2版)>,今天要与大家分享的智能算法是多种群遗传算法. 本地MATLAB环境部署因为后面要介绍的多种群遗传算 ...
GWO灰狼优化算法综述（Grey Wolf Optimization）
GWO通过模拟灰狼群体捕食行为,基于狼群群体协作的机制来达到优化的目的. GWO算法具有结构简单.需要调节的参数少.容易实现等特点,其中存在能够自适应调整的收敛因子以及信息反馈机制,能够在局部寻优与全 ...
GWO灰狼优化算法以及Matlab代码
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录 GWO灰狼算法原理进化更新位置更新(紧随3只头狼) GWO灰狼算法流程图 GWO优化算法matlab代码 main函数 ...
孔雀优化算法(POA)——(含MATLAB代码)
先要声明的是,这个算法的争议较大,评论是两边倒的,一些学者觉得是一锅乱炖,我个人不发表观点,这里只是把这个算法介绍一下.我不推荐它,也不反对大家去了解,只做单纯的讲解.觉得这个算法不行的就不看吧~ 孔 ...
浣熊优化算法(COA)(含MATLAB代码)
先做一个声明:文章是由我的个人公众号中的推送直接复制粘贴而来,因此对智能优化算法感兴趣的朋友,可关注我的个人公众号:启发式算法讨论.我会不定期在公众号里分享不同的智能优化算法,经典的,或者是近几年提出 ...
压缩感知之常用稀疏恢复算法（凸优化算法）及matlab代码
文章目录前言一.基追踪算法(BP) 1.原理概述 2.matlab代码(基于linprog的基追踪MATLAB代码) 二.梯度投影法 1.原理概述 2.matlab代码总结前言除了贪婪算 ...
【群智能算法】一种改进的蚁狮优化算法IALO【Matlab代码#5】
文章目录 [`获取资源`请见文章第5节:资源获取] 1. 原始蚁狮优化算法 1.1 蚂蚁随机游走公式 1.2 设置陷阱 1.3 陷阱诱惑蚂蚁 1.4 捕获猎物并重建洞穴 2. 改进蚁狮优化算法 2.1 ...

GWO灰狼优化算法python和matlab代码

GWO灰狼优化算法python和matlab代码相关推荐

最新文章

热门文章