matlab 灰狼优化算法

以下是使用Matlab实现灰狼优化算法的步骤和示例代码：

1. 定义问题的目标函数，例如：

function y = myfunc(x)
    y = x(1)^2 + x(2)^2;
end

2. 定义灰狼优化算法的参数，例如：

n = 5; % 狼群数量
max_iter = 100; % 最大迭代次数
lb = [-10, -10]; % 变量下界
ub = [10, 10]; % 变量上界

3. 初始化狼群的位置和适应度，例如：

x = zeros(n, 2); % 狼群位置
f = zeros(n, 1); % 狼群适应度
for i = 1:n
    x(i, :) = lb + (ub - lb) .* rand(1, 2); % 随机初始化位置
    f(i) = myfunc(x(i, :)); % 计算适应度
end

4. 迭代更新狼群的位置和适应度，例如：

for iter = 1:max_iter
    a = 2 - iter * (2 / max_iter); % 计算狼群活跃度
    for i = 1:n
        for j = 1:n
            if j ~= i
                r1 = rand(); % 随机数1
                r2 = rand(); % 随机数2
                A = 2 * a * r1 - a; % 计算系数A
                C = 2 * r2; % 计算系数C
                D = abs(C * x(j, :) - x(i, :)); % 计算距离D
                x1 = x(i, :) + A * D; % 计算新位置x1
                x1 = max(x1, lb); % 限制下界
                x1 = min(x1, ub); % 限制上界
                f1 = myfunc(x1); % 计算新适应度f1
                if f1 < f(i)
                    x(i, :) = x1; % 更新位置
                    f(i) = f1; % 更新适应度
                end
            end
        end
    end
end

5. 输出最优解和最优适应度，例如：

[best_f, best_idx] = min(f);
best_x = x(best_idx, :);
fprintf('最优解：[%f, %f]\n', best_x(1), best_x(2));
fprintf('最优适应度：%f\n', best_f);