一、简介
1.1 灰狼优化算法-Grey Wolf Optimizer
通过模拟灰狼群体捕食行为,基于狼群群体协 作的机制来达到优化的目的。GWO算法具有结构简单、需 要调节的参数少、容易实现等特点,其中存在能够自适应调整 的收敛因子以及信息反馈机制,能够在局部寻优与全局搜索 之间实现平衡,因此在对问题的求解精度和收敛速度方面都 有良好的性能。
1.2 灰狼群体的捕猎行为
灰狼大多喜欢群居,每个群体中平均有5~12只狼,狼群内部等级制度比较森严,按照四层金字塔依次排列。α狼是种群中的领导者,位于金字塔的最顶端。β狼类似于军师团队,协助领导者α进行决策,δ狼位于第三层,听从α和β的决策命令,负责侦察/放哨/看护等任务,最低层为ω,负责种群内部的关系平衡。
1.3 捕猎过程
捕猎过程分为以下三个主要的部分
(1)跟踪,追逐,接近猎物。
(2)追捕,包围和骚扰猎物,直到猎物停止移动
(3)攻击目标
二 GWO数学模型
为了对GWO中灰狼的社会等级进行数学建模,将前3 匹最好的狼(最优解)分别定义为α,β和δ,它们指导其他狼向 着目标搜索。其余的狼(候选解)被定义为ω,它们围绕α,β 或δ来更新位置。
2.1包围猎物过程
在狩猎过程中,将灰狼围捕猎物的行为定义如下:
式(1)表示个体与猎物间的距离,式(2)是灰狼的位置更 新公式。其中,t是目前的迭代代数,A→和C → 是系数向量,XP向量和X 向量分别是猎物的位置向量和灰狼ω的位置向量。
a向量为收敛因子,随着迭代的次数,从2线性减少到0.
r1,r2向量的模取[0,1]之间的随机数。
2.2 狩猎过程
当灰狼识别出猎 物的位置后,β和δ在α的带领下指导狼群包围猎物。
此时,猎物的位置就是我们的最佳解决方案。但是我们并不清楚猎物的位置在哪里。
我们假设α,β和δ更 了解猎物的潜在位置。我们保存迄今为止取得的3个最优解 决方案,并利用这三者的位置来判断猎物所在的位置,同时强 迫其他灰狼个体(包括ω)依据最优灰狼个体的位置来更新其 位置,逐渐逼近猎物。
灰狼个体跟踪猎物位置的数学模型描述如下:
图中:a1 a2 a3 分别为表α,β和δ狼。
定义了狼群中ω个体朝向α,β和δ前进的步 长和方向
D α ,D β 和Dδ分别表示α,β和δ与其他个体间的距离;
X → α ,X → β 和X→δ分别代表α,β和δ的当前位置;
C → 1 ,C → 2 ,C → 3 是随机 向量,X是当前灰狼ω的位置。
定义了ω的最终位置。
2.3 攻击猎物
当猎物停止移动时,灰狼通过攻击来完成狩猎过程。a → 的值被逐渐减小,因此A→的波动范围也随 之减小。在迭代过程中,当a→的值从2线性下降到 0时,其对应的A→的值也在区间[-a,a]内变化。当|A→ |<1时,狼群向猎物 发起攻击(陷入局部最优)
2.4 搜索猎物
灰狼根据α,β和δ的位置来搜索猎物。灰狼在寻找猎物 时彼此分开,然后聚集在一起攻击猎物。可以用A→大于1或小于-1的随机值来迫使灰狼与猎物分离,这强调了勘探(探索)并允许GWO算法全局搜索最优解。|A → |>1强迫灰狼与猎物(局部最优)分离,希 望找到更合适的猎物(全局最优)