灰狼优化算法matlab代码

灰狼优化算法（Grey Wolf Optimization, GWO）是一种基于群体行为的智能优化算法，受到灰狼社会行为的启发。以下是一个简单的灰狼优化算法的 MATLAB 代码示例：

function [bestSolution, bestFitness] = greyWolfOptimization(dimensions, searchRange, numSearchAgents, maxIterations)
    % 初始化灰狼群体
    alphaPosition = rand(1, dimensions) * (searchRange(2) - searchRange(1)) + searchRange(1);
    betaPosition = rand(1, dimensions) * (searchRange(2) - searchRange(1)) + searchRange(1);
    deltaPosition = rand(1, dimensions) * (searchRange(2) - searchRange(1)) + searchRange(1);
    
    % 初始化灰狼个体的位置与适应度
    positions = rand(numSearchAgents, dimensions) * (searchRange(2) - searchRange(1)) + searchRange(1);
    fitness = objectiveFunction(positions);
    
    % 开始优化迭代
    for iter = 1:maxIterations
        a = 2 - iter * ((2) / maxIterations); % 更新参数 a
        
        % 更新每个灰狼的位置与适应度
        for i = 1:numSearchAgents
            r1 = rand(); % 随机数 r1
            r2 = rand(); % 随机数 r2
            
            A1 = 2 * a * r1 - a; % 更新参数 A1
            C1 = 2 * r2; % 更新参数 C1
            
            D_alpha = abs(C1 * alphaPosition - positions(i, :)); % 计算 delta_alpha
            X1 = alphaPosition - A1 * D_alpha; % 更新位置 X1
            
            r1 = rand(); % 随机数 r1
            r2 = rand(); % 随机数 r2
            
            A2 = 2 * a * r1 - a; % 更新参数 A2
            C2 = 2 * r2; % 更新参数 C2
            
            D_beta = abs(C2 * betaPosition - positions(i, :)); % 计算 delta_beta
            X2 = betaPosition - A2 * D_beta; % 更新位置 X2
            
            r1 = rand(); % 随机数 r1
            r2 = rand(); % 随机数 r2
            
            A3 = 2 * a * r1 - a; % 更新参数 A3
            C3 = 2 * r2; % 更新参数 C3
            
            D_delta = abs(C3 * deltaPosition - positions(i, :)); % 计算 delta_delta
            X3 = deltaPosition - A3 * D_delta; % 更新位置 X3
            
            positions(i, :) = (X1 + X2 + X3) / 3; % 更新灰狼位置
            positions(i, :) = max(positions(i, :), searchRange(1)); % 限制位置在搜索范围内
            positions(i, :) = min(positions(i, :), searchRange(2)); % 限制位置在搜索范围内
            
            fitness(i) = objectiveFunction(positions(i, :)); % 计算适应度
        end
        
        % 更新 alpha, beta, 和 delta 灰狼的位置
        [bestFitness, bestIndex] = min(fitness);
        bestSolution = positions(bestIndex, :);
        
        if fitness(bestIndex) < fitness(1)
            deltaPosition = betaPosition;
            betaPosition = alphaPosition;
            alphaPosition = bestSolution;
        elseif fitness(bestIndex) < fitness(2)
            deltaPosition = betaPosition;
            betaPosition = bestSolution;
        elseif fitness(bestIndex) < fitness(3)
            deltaPosition = bestSolution;
        end
        
        % 显示每次迭代的最佳适应度
        disp(['Iteration ', num2str(iter), ': Best Fitness = ', num2str(bestFitness)]);
    end
end

function fitness = objectiveFunction(x)
    % 定义你的目标函数
    % 这里假设你的目标函数是 Rosenbrock 函数
    fitness = sum(100 * (x(2:end) - x(1:end-1).^2).^2 + (1 - x(1:end-1)).^2);
end

你可以根据你的问题和目标函数来修改 `objectiveFunction` 函数。

这个示例代码演示了如何使用灰狼优化算法进行优化。代码中的 `dimensions` 是问题的维度，`searchRange` 是搜索范围，`numSearchAgents` 是灰狼的数量，`maxIterations` 是最大迭代次数。函数返回最优解 `bestSolution` 和最佳适应度 `bestFitness`。

请注意，这只是一个基本的实现示例，如果你的问题比较复杂，你可能需要根据自己的需求进行修改和优化。