张子豪,靳其兵

(北京化工大学 信息科学与技术学院,北京 100029)

群智能优化算法是一种由自然界中,群体动物的活动启发而产生的全局优化算法。典型的智能优化算法包括粒子群优化(Particle swarm optimization,PSO)[1]算法,差分进化(Differential evolution,DE)[2]算法,鲸鱼优化算法(Whale optimization algorithm,WOA)[3],人工蜂群(Artificial bee colony,ABC)[4]算法,布谷鸟(Cuckoo search,CS)[5]算法等。智能优化算法在机器学习算法[6-8]、系统辨识[9,10]以及PID控制方面[11]也有很多的应用。

Mirjalili等[12]由灰狼猎食以及灰狼种群中的等级制度得到启发,于2014年提出灰狼优化(Grey wolf optimizer,GWO)算法,其结构简单,参数少,易于编程,寻优性能较好,但其自身仍然存在收敛精度不足的问题。近年来,对此有很多学者提出了对灰狼算法的改进方法,文献[13]通过加入混沌策略和对收敛因子加入自适应策略,使算法精度和稳定性都有了一定的提高;文献[14]通过改进收敛因子的方法,使其不易陷入局部最优;文献[15]引入PSO的最优解记忆思想,采用佳点集策略和改进收敛因子的策略,提升了算法的性能;文献[16]引入差分进化算法的和灰狼算法混合的策略和优胜劣汰法则,改进了灰狼算法的寻优能力。

1 GWO算法原理

灰狼算法是受到灰狼狩猎觅食这一自然现象启发,而提出的群智能优化算法,灰狼优化算法在设计中考虑了狼群中的社会等级,模仿狼群寻找、包围、攻击猎物的狩猎模式。

(1)社会等级(Social hierarchy)。

该算法设计了3种统治阶级的狼和普通的狼,统治阶级的狼分为α狼、β狼、δ狼,组成狼群的普通狼为ω狼,其分别对应的是最优解、次优解、第三优解和候选解[17]。

(2)围猎(Encircling prey)。

灰……