摘要（Abstract）
灰狼优化算法（GWO）是一种模拟灰狼群体捕猎行为的智能优化算法。GWO 通过模仿灰狼的领导等级（Alpha、Beta、Delta 和 Omega）以及围猎、追踪、包围和进攻猎物的策略来进行优化搜索。该算法具有简单、参数少、计算效率高的特点，广泛应用于函数优化、机器学习、图像处理等领域。本文提供 GWO 的 MATLAB 实现，并详细解析其算法逻辑。
算法介绍
1. 主要思想
灰狼优化算法（GWO）基于灰狼的群体社会行为，主要包括以下四种角色：
- Alpha（α）：首领，负责决策，指引狩猎方向（当前最优解）。
- Beta（β）：第二梯队，协助 Alpha 领导群体（次优解）。
- Delta（δ）：第三梯队，辅助 Alpha 和 Beta，并监督 Omega（第三优解）。
- Omega（ω）：普通个体，服从其他等级狼的指令（其余搜索个体）。
GWO 主要包含 包围、狩猎、攻击猎物 三个核心阶段，通过 Alpha、Beta 和 Delta 共同引导搜索过程。
2. 公式解析
(1) 包围猎物
(2) 狩猎
通过 Alpha、Beta 和 Delta 共同指导更新个体位置：
(3) 攻击猎物
随着迭代进行，控制参数 AAA 逐渐减小，使狼群收缩围捕：
MATLAB 代码实现：
% 灰狼优化算法（Grey Wolf Optimizer, GWO）
% 输入：
% SearchAgents_no - 种群个体数
% Max_iter - 最大迭代次数
% lb - 搜索空间下界
% ub - 搜索空间上界
% dim - 变量维度
% fobj - 目标函数
% 输出：
% Alpha_score - 全局最优适应度值
% Alpha_pos - 最优解
% Convergence_curve - 收敛曲线function [Alpha_score, Alpha_pos, Convergence_curve] = GWO(SearchAgents_no, Max_iter, lb, ub, dim, fobj)% 初始化 Alpha（最优解）、Beta（次优解）、Delta（第三优解）
Alpha_pos = zeros(1, dim);
Alpha_score = inf; % 适用于最小化问题Beta_pos = zeros(1, dim);
Beta_score = inf;Delta_pos = zeros(1, dim);
Delta_score = inf;% 初始化种群
Positions = initialization(SearchAgents_no, dim, ub, lb);% 记录收敛曲线
Convergence_curve = zeros(1, Max_iter);% 迭代计数器
l = 0; % 迭代主循环
while l < Max_iter% 计算每个个体的适应度for i = 1:size(Positions,1) % 边界处理，确保搜索个体不超出范围Flag4ub = Positions(i,:) > ub;Flag4lb = Positions(i,:) < lb;Positions(i,:) = (Positions(i,:) .* (~(Flag4ub + Flag4lb))) + ub .* Flag4ub + lb .* Flag4lb; % 计算适应度fitness = fobj(Positions(i,:));% 更新 Alpha（最优）、Beta（次优）、Delta（第三优）个体if fitness < Alpha_score Alpha_score = fitness;Alpha_pos = Positions(i,:);endif fitness > Alpha_score && fitness < Beta_score Beta_score = fitness;Beta_pos = Positions(i,:);endif fitness > Beta_score && fitness < Delta_score Delta_score = fitness;Delta_pos = Positions(i,:);endend% 计算参数 a（用于调整 A）a = 2 - l * ((2) / Max_iter);% 更新种群个体位置for i = 1:size(Positions,1)for j = 1:size(Positions,2) r1 = rand(); % 随机数 [0,1]r2 = rand(); A1 = 2 * a * r1 - a; C1 = 2 * r2; % 计算 Alpha 引导的更新位置D_alpha = abs(C1 * Alpha_pos(j) - Positions(i,j));X1 = Alpha_pos(j) - A1 * D_alpha;r1 = rand();r2 = rand();A2 = 2 * a * r1 - a; C2 = 2 * r2; % 计算 Beta 引导的更新位置D_beta = abs(C2 * Beta_pos(j) - Positions(i,j));X2 = Beta_pos(j) - A2 * D_beta; r1 = rand();r2 = rand(); A3 = 2 * a * r1 - a; C3 = 2 * r2; % 计算 Delta 引导的更新位置D_delta = abs(C3 * Delta_pos(j) - Positions(i,j));X3 = Delta_pos(j) - A3 * D_delta; % 计算最终更新位置Positions(i,j) = (X1 + X2 + X3) / 3; endend% 记录收敛曲线l = l + 1; Convergence_curve(l) = Alpha_score;
end%% 初始化种群
function Positions = initialization(SearchAgents_no, dim, ub, lb)Boundary_no = size(ub,2); % 变量边界数量% 若变量边界相同，则进行统一处理
if Boundary_no == 1Positions = rand(SearchAgents_no, dim) .* (ub - lb) + lb;
end% 若每个变量有不同的边界
if Boundary_no > 1for i = 1:dimub_i = ub(i);lb_i = lb(i);Positions(:,i) = rand(SearchAgents_no,1) .* (ub_i - lb_i) + lb_i;end
end
总结
1. GWO 主要特点
- 无需梯度信息，适用于复杂的黑箱优化问题。
- 较少参数（仅有 a, A, C），易于实现和调整。
- 全局收敛性强，具有良好的搜索均衡能力。
- 可用于连续优化问题，如函数优化、参数寻优、特征选择等。
2. GWO 适用场景
- 函数优化问题（如 Ackley, Rastrigin, Rosenbrock）
- 神经网络优化（权重、超参数调优）
- 工业控制优化（PID 控制参数优化）
- 路径规划（机器人路径寻优）
- 数据挖掘（特征选择、聚类优化）
