鲸鱼算法python

鲸鱼算法（Whale Optimization Algorithm，简称WOA）是一种基于仿生学思想的优化算法，灵感来自于鲸鱼群体的觅食行为。该算法可以用于求解数值优化问题。

以下是一个简单的使用Python实现的鲸鱼算法示例：

import numpy as np

def objective_function(x):
    # 定义目标函数，这里以 Rosenbrock 函数为例
    return sum(100.0 * (x[1:] - x[:-1]**2.0)**2.0 + (1 - x[:-1])**2.0)

def woa_search(max_iter, num_whales, num_dimensions, lb, ub):
    # 初始化鲸鱼群体的位置
    positions = np.random.uniform(lb, ub, (num_whales, num_dimensions))
    
    # 初始化最佳位置和最佳适应度
    best_position = None
    best_fitness = float('inf')
    
    for t in range(max_iter):
        a = 2.0 - t * ((2.0) / max_iter)  # 控制收缩参数
        a2 = -1 + t * ((-1) / max_iter)  # 控制线性递减
        
        for i in range(num_whales):
            # 更新位置
            r1 = np.random.random()
            r2 = np.random.random()
            A = 2 * a * r1 - a
            C = 2 * r2
            
            l = (a2 - 1) * np.random.random() + 1  # 控制参数l
            
            p = np.random.random()  # 随机选择一个鲸鱼
            
            if p < 0.5:
                if abs(A) >= 1:
                    rand_leader_index = np.random.randint(0, num_whales)
                    X_rand = positions[rand_leader_index]
                    D_X_rand = abs(C * X_rand - positions[i])
                    new_position = X_rand - A * D_X_rand
                else:
                    D_Leader = abs(C * best_position - positions[i])
                    new_position = best_position - A * D_Leader
            else:
                distance_to_leader = abs(best_position - positions[i])
                new_position = distance_to_leader * np.exp(b * l) * np.cos(2 * np.pi * l) + best_position
            
            # 边界处理
            new_position = np.clip(new_position, lb, ub)
            
            # 更新最佳位置和最佳适应度
            fitness = objective_function(new_position)
            if fitness < best_fitness:
                best_fitness = fitness
                best_position = new_position
        
            positions[i] = new_position
    
    return best_position, best_fitness

# 使用示例
max_iter = 100  # 最大迭代次数
num_whales = 50  # 鲸鱼数量
num_dimensions = 10  # 问题的维度
lb = -10  # 变量的下界
ub = 10  # 变量的上界

best_position, best_fitness = woa_search(max_iter, num_whales, num_dimensions, lb, ub)

print("最佳位置:", best_position)
print("最佳适应度:", best_fitness)

上述代码演示了如何使用鲸鱼算法求解一个简单的数值优化问题。通过定义目标函数和设置算法参数，可以得到最佳位置和最佳适应度作为优化结果。

希望这个示例对你有帮助！如果有任何问题，请随时提问。