---

1.摘要

本文提出了一种改进的灰狼优化算法（IGWO），其用于解决全局优化和工程设计问题。IGWO通过采用一种名为基于维度学习的狩猎（DLH）的搜索策略，对传统灰狼优化算法（GWO）进行了改进，有效地解决了原算法中存在的种群多样性不足、探索与开发之间的不平衡以及过早收敛的问题。

2. 灰狼优化算法GWO

【智能算法】灰狼算法（GWO）原理及实现

3. 改进策略

维度狩猎学习DLH

基于维度狩猎学习（DLH）搜索策略是针对灰狼优化（GWO）算法的改进，DLH引入了狼的个体狩猎行为，通过增加狼与其邻居之间的交互，以及引入种群中随机选取的其他个体狼，从而增强了算法的探索能力和保持种群多样性的能力。通过欧几里得距离计算出狼$X_i(t)$与候选个体的半径：
$$R_i(t)=\Vert X_i(t)-X_{i-GWO}(t+1)\Vert$$

$X_i(t)$的邻域表述为：
$$N_i(t)=\left\{X_j(t)|D_i(X_i(t),X_j(t))⩽R_i(t),X_j(t)\in Pop\right\}$$
在邻域中随机选择的一个邻居个体进行更新：
$$X_{i-DLH,d}(t+1)=X_{i,d}(t)+rand\times (X_{n,d}(t)-X_{r,d}(t))$$

    radius = pdist2(Positions, X_GWO, 'euclidean');         % Equation (10)
    dist_Position = squareform(pdist(Positions));
    r1 = randperm(N,N);
    
    for t=1:N
        neighbor(t,:) = (dist_Position(t,:)<=radius(t,t));
        [~,Idx] = find(neighbor(t,:)==1);                   % Equation (11)             
        random_Idx_neighbor = randi(size(Idx,2),1,dim);
        
        for d=1:dim
            X_DLH(t,d) = Positions(t,d) + rand .*(Positions(Idx(random_Idx_neighbor(d)),d)...
                - Positions(r1(t),d));                      % Equation (12)
        end
        X_DLH(t,:) = boundConstraint(X_DLH(t,:), Positions(t,:), lu);
        Fit_DLH(t) = fobj(X_DLH(t,:));
    end

流程图

伪代码

4.结果展示

CEC2005

5.参考文献

[1] Nadimi-Shahraki M H, Taghian S, Mirjalili S. An improved grey wolf optimizer for solving engineering problems[J]. Expert Systems with Applications, 2021, 166: 113917.

6.代码获取