2024年AIS SCI：多策略灰狼算法CBRGWO，深度解析+性能实测
目录
- 1.摘要
- 2.灰狼优化算法GWO原理
- 3.改进策略
- 4.结果展示
- 5.参考文献
- 6.代码获取
1.摘要
灰狼优化算法（GWO）在许多领域得到广泛应用，但对于一些复杂问题，尤其是高维度和多模态问题，基本算法的计算能力有限，无法提供满意的解。本文提出了一种多策略增强灰狼优化算法（CBRGWO）。CBRGWO算法通过引入高斯骨架、随机选择和混沌博弈机制，增强了算法的全局搜索能力。
2.灰狼优化算法GWO原理
【智能算法】灰狼算法（GWO）原理及实现
3.改进策略
CG机制
CG机制利用混沌理论的特性形成了一种游戏规则，使得符合规则的个体能够在区域内快速移动。CG机制通过增加和控制移动距离来优化搜索过程，该机制具有方向控制和移动距离控制功能，有助于提高算法的收敛速度，并增强其搜索能力。
在该游戏机制中，三位裁判（裁判A、裁判B、裁判C）主导整个过程，它们形成一个可以调节大小的三角区域。裁判控制区域内每只狼的行走距离，从而加速算法的收敛。首先需要选择三名裁判，随机选择一名裁判作为目标：
A
⃗
=
g
e
t
R
e
f
e
r
e
e
(
A
a
r
r
)
\vec{A}=getReferee(A_{arr})
A=getReferee(Aarr)
B
⃗
=
g
e
t
R
e
f
e
r
e
e
(
B
b
r
r
)
\vec{B}=getReferee(B_{brr})
B=getReferee(Bbrr)
C
⃗
=
g
e
t
R
e
f
e
r
e
e
(
C
a
r
r
)
\vec{C}=getReferee(C_{arr})
C=getReferee(Carr)
H
⃗
\vec{H}
H是由选定的裁判
u
u
u和
x
k
x_k
xk确定的方向矢量
H
⃗
=
L
⋅
(
G
u
−
x
k
)
\vec{H}=L\cdot(G_u-x_k)
H=L⋅(Gu−xk)
其中，
u
=
{
A
,
c
h
o
i
c
e
=
1
B
,
c
h
o
i
c
e
=
2
C
,
c
h
o
i
c
e
=
3
u= \begin{cases} A, & choice=1 \\ B, & choice=2 \\ C, & choice=3 & \end{cases}
u=⎩
⎨
⎧A,B,C,choice=1choice=2choice=3
G u = { A ⃗ , u = A B ⃗ , u = B C ⃗ , u = C G_u= \begin{cases} \vec{A}, & u=A \\ \vec{B}, & u=B \\ \vec{C}, & u=C & \end{cases} Gu=⎩ ⎨ ⎧A,B,C,u=Au=Bu=C
GB机制
GB机制的核心目标是对所有个体进行变异，通过利用当前最优解来提高其他个体的质量，核心更新公式：
V
(
i
,
j
)
=
n
o
r
m
r
n
d
(
μ
,
σ
)
,
R
<
C
R
V(i,j)=normrnd(\mu,\sigma),\quad R < CR
V(i,j)=normrnd(μ,σ),R<CR
V
(
i
,
j
)
=
X
(
k
1
,
j
)
+
k
⋅
(
X
(
k
2
,
j
)
−
X
(
k
3
,
j
)
,
R
>
=
C
R
V(i,j)=X(k1,j)+k\cdot(X(k2,j)-X(k3,j),\quad R>=CR
V(i,j)=X(k1,j)+k⋅(X(k2,j)−X(k3,j),R>=CR
其中，
μ
=
(
E
l
i
t
e
P
o
s
i
t
i
o
n
(
j
)
+
X
(
i
,
j
)
)
/
2
\mu=(ElitePosition(j)+X(i,j))/2
μ=(ElitePosition(j)+X(i,j))/2
σ
=
a
b
s
(
E
l
i
t
e
P
o
s
i
t
i
o
n
(
j
)
−
X
(
i
,
j
)
)
\sigma=abs(ElitePosition(j)-X(i,j))
σ=abs(ElitePosition(j)−X(i,j))
RS机制
RS机制通过从前十名灰狼中选择一个个体，并用该个体替换当前的最优个体。在选择随机个体之前，先记录前一次评估过程中的最优解，以判断当前评估过程中最优解是否发生了变化。如果最优解未发生变化，则随机选择一个个体作为当前的最优解；如果最优解有所变化，则继续使用前一次评估过程中的最优解。
{
g
b
e
s
t
=
t
o
p
B
e
s
t
(
z
)
,
p
r
e
B
e
s
t
!
=
A
l
p
h
a
B
e
s
t
g
b
e
s
t
=
A
l
p
h
a
P
o
s
,
o
t
h
e
r
\left.\left\{ \begin{array} {ll}gbest=topBest(z), & preBest!=AlphaBest \\ gbest=AlphaPos, & other \end{array}\right.\right.
{gbest=topBest(z),gbest=AlphaPos,preBest!=AlphaBestother
流程图
伪代码
4.结果展示
5.参考文献
[1] Tang C, Huang C, Chen Y, et al. Multi‐strategy Grey Wolf Optimizer for Engineering Problems and Sewage Treatment Prediction[J]. Advanced Intelligent Systems, 2024, 6(7): 2300406.