当前位置：首页 > news >正文

2025年ASOC SCI2区TOP，基于动态模糊系统的改进灰狼算法FGWO，深度解析+性能实测

news 2025/10/6 6:29:59

1.摘要

灰狼算法（GWO）是一种有效的群体优化算法，广泛应用于各种优化问题。然而，GWO容易出现过度开发和种群多样性不足的问题。为了解决这些缺陷，本文提出了模糊灰狼算法，FGWO通过引入动态模糊推理系统（DFIS）来动态调整最优权重。DFIS结合了种群多样性率和迭代次数两个输入，通过推理计算决定算法是进行开发或者探索。此外，DFIS采用自适应隶属函数，精确捕捉种群多样性变化，从而在优化过程中维持平衡的开发-探索比率，避免过早收敛并提高种群多样性。

2.基于动态模糊系统的改进灰狼算法FGWO

The general structure of DFIS

FGWO引入了动态模糊推理系统（DFIS），通过调整控制变量 $a$ 变化，使得收敛因子 $A$ 的调节更为精确，实现开发与探索之间的平滑过渡，从而优化全局搜索能力。与 $α\alpha$ 狼归一化欧式距离：
$di(t)=∑j=1D(Xi,j(t)−Xα,j(t))2Smax⁡d_i(t)=\frac{\sqrt{\sum_{j=1}^D\left(X_{i,j}(t)-X_{\alpha,j}(t)\right)^2}}{S_{\max}}$

平均归一化距离和方差：
$L‾(t)=1N∑i=1Ndi(t)\overline{L}(t)=\frac{1}{N}\sum_{i=1}^{N}d_{i}(t)$

$V(t)=1N∑i=1N(di(t)−L‾(t))2\mathrm{V}(t)=\frac{1}{N}\sum_{i=1}^{N}\left(d_i(t)-\overline{L}(t)\right)^2$
种群多样性率：
$ρ(t)=tanh⁡(k⋅L‾(t)⋅V(t))tanh⁡(k)\rho(t)=\frac{\tanh\left(k\cdot\overline{L}(t)\cdot\mathrm{V}(t)\right)}{\tanh(k)}$

3.结果展示

4.参考文献

[1] Algubili M D, Alhelfi L M, Hana’M A. The Fuzzified Grey Wolf: An improved grey wolf optimizer based on dynamic fuzzy system FGWO[J]. Applied Soft Computing, 2025: 113818.