灰狼算法matlab

灰狼算法（Grey Wolf Optimizer）是一种启发式优化算法，由米尔达尔等人于2014年提出。该算法模拟了灰狼群体的捕食行为，将问题看作是猎物，优化过程看作是灰狼的捕食过程，通过模拟灰狼的个体行为和群体行为来寻找最优解。

以下是灰狼算法的 MATLAB 实现示例：

function [Best_score,Best_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iter,lb,ub,dim,fobj)

% 初始化灰狼群体
Alpha_pos=zeros(1,dim);
Alpha_score=inf; % 最优值初始化为无穷大
Beta_pos=zeros(1,dim);
Beta_score=inf;
Delta_pos=zeros(1,dim);
Delta_score=inf;
Positions=initialization(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iter);

% 开始迭代
for iter=1:Max_iter
    for i=1:size(Positions,1)
        
        % 计算适应度
        fitness=fobj(Positions(i,:));
        
        % 更新 Alpha, Beta, and Delta
        if fitness<Alpha_score
            Alpha_score=fitness; % 更新 Alpha 的最优值
            Alpha_pos=Positions(i,:);
        end
        
        if (fitness>Alpha_score && fitness<Beta_score)
            Beta_score=fitness; % 更新 Beta 的最优值
            Beta_pos=Positions(i,:);
        end
        
        if (fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score)
            Delta_score=fitness; % 更新 Delta 的最优值
            Delta_pos=Positions(i,:);
        end
    end
    
    % 更新 a 和 c 值
    a=2-iter*((2)/Max_iter); % 线性减小 a 值
    c=2*(iter/Max_iter); % 线性增加 c 值
    
    % 更新灰狼位置
    for i=1:size(Positions,1)
        for j=1:size(Positions,2)
            
            % 计算 D_alpha, D_beta, and D_delta
            D_alpha=abs(Alpha_pos(j)-Positions(i,j));
            D_beta=abs(Beta_pos(j)-Positions(i,j));
            D_delta=abs(Delta_pos(j)-Positions(i,j));
            
            % 更新位置
            Positions(i,j)=Alpha_pos(j)-a*D_alpha+...
                c*(rand*D_beta-D_delta);
        end
    end
    
    Convergence_curve(iter)=Alpha_score;
end

% 输出最优解和最优值
Best_pos=Alpha_pos;
Best_score=Alpha_score;

% 输出收敛曲线
GWO_cg_curve=Convergence_curve;

end

function Positions=initialization(SearchAgents_no,dim,ub,lb)

% 初始化灰狼位置
Boundary_no= size(ub,2); % 边界数量

if Boundary_no==1
    Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;
end

if Boundary_no>1
    for i=1:dim
        ub_i=ub(i);
        lb_i=lb(i);
        Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;
    end
end

end

其中，fobj 是要优化的目标函数，SearchAgents_no 是灰狼数量，Max_iter 是最大迭代次数，lb 和 ub 分别是变量下界和上界，dim 是变量维数。调用该函数即可得到最优解和最优值，以及收敛曲线。