狼群算法的迭代曲线?python代码

狼群算法是一种仿生算法，模拟了狼群的捕食行为。在算法的迭代过程中，狼群通过协同合作和竞争，不断地优化自身的位置，以寻找最优解。

以下是使用Python实现的简化版本的狼群算法迭代曲线示例代码：

import numpy as np

# 初始化狼群的位置
num_wolves = 10
dim = 2
wolves_position = np.random.rand(num_wolves, dim) * 10

# 定义目标函数
def objective_function(x):
    return np.sum(x**2)

# 开始迭代
num_iterations = 100
alpha = 2  # 狼群移动步长
for t in range(num_iterations):
    for i in range(num_wolves):
        # 计算狼群中每只狼的适应度值
        fitness = objective_function(wolves_position[i])
        # 选择一只领头狼
        leader = np.argmin(fitness)
        for j in range(num_wolves):
            if j != leader:
                # 更新狼群位置
                r1 = np.random.rand(dim)
                r2 = np.random.rand(dim)
                A = 2 * alpha * r1 - alpha
                C = 2 * r2
                D = np.abs(C * wolves_position[leader] - wolves_position[j])
                new_position = wolves_position[leader] - A * D
                wolves_position[j] = new_position
    # 计算每轮迭代后的最优解
    best_fitness = objective_function(wolves_position[np.argmin(np.array([objective_function(x) for x in wolves_position]))])
    print(f"Iteration {t+1}, Best fitness: {best_fitness}")

上面的代码是一个简单的狼群算法的迭代曲线示例，它模拟了狼群在寻找最优解的过程中不断迭代优化自身位置的过程。在每次迭代中，狼群根据领头狼的位置和一定的移动步长，进行位置的更新，最终找到最优解。