一种基于混合策略的灰狼优化算法
摘要：灰狼优化算法作为一种群体智能算法，不可避免地会产生陷入局部寻优和收敛速度慢的问题。本文提出一种混合的改进策略，把动态权重和动态种群的结合起来，在提高收敛速度的同时，产生较好的解。
1.灰狼优化算法
基础灰狼算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107716390
2. 改进灰狼优化算法
提出一种动态权重策略，基于权重的个体狼位置计算如式（6）,（7）所示 。
w 1 = ∣ X 1 ∣ ∣ X 1 ∣ + ∣ X 2 ∣ + ∣ X 3 ∣ , w 2 = ∣ X 2 ∣ ∣ X 1 ∣ + ∣ X 2 ∣ + ∣ X 3 ∣ , w 3 = ∣ X 3 ∣ ∣ X 1 ∣ + ∣ X 2 ∣ + ∣ X 3 ∣ (6) w_{1}=\frac{\left|X_{1}\right|}{\left|X_{1}\right|+\left|X_{2}\right|+\left|X_{3}\right|}, w_{2}=\frac{\left|X_{2}\right|}{\left|X_{1}\right|+\left|X_{2}\right|+\left|X_{3}\right|}, w_{3}=\frac{\left|X_{3}\right|}{\left|X_{1}\right|+\left|X_{2}\right|+\left|X_{3}\right|}\tag{6} w1=∣X1∣+∣X2∣+∣X3∣∣X1∣,w2=∣X1∣+∣X2∣+∣X3∣∣X2∣,w3=∣X1∣+∣X2∣+∣X3∣∣X3∣(6)
X ( t + 1 ) = ( w 1 X 1 + w 2 X 2 + w 3 X 3 ) / 3 (7) X(t+1)=\left(w_{1} X_{1}+w_{2} X_{2}+w_{3} X_{3}\right) / 3 \tag{7} X(t+1)=(w1X1+w2X2+w3X3)/3(7)
动态权重策略是一种对迭代过程进行改进的策略 ，能够很大程度上提高灰狼优化算法的收敛速度，但全局搜索能力并不是很好。
采用动态种群的思想，每一次迭代完成后，把适应度值较低的一半个体狼信息进行改变，可以及时地跳出局部寻优。基于动态种群的计算如式（8）~（11）所示 ，这 4 个公式并不是按顺序依次执行，而是每个公式以 1/4 的概率执行。
X ( t + 1 ) = X α ± ( u b − l b ⋅ r + l b ) (8) X(t+1)=X_{\alpha} \pm(u b-l b \cdot r+l b) \tag{8} X(t+1)=Xα±(ub−lb⋅r+lb)(8)
X ( t + 1 ) = X β ± ( u b − l b ⋅ r + l b ) (9) X(t+1)=X_{\beta} \pm(u b-l b \cdot r+l b)\tag{9} X(t+1)=Xβ±(ub−lb⋅r+lb)(9)
X ( t + 1 ) = X δ ± ( u b − l b ⋅ r + l b ) (10) X(t+1)=X_{\delta} \pm(u b-l b \cdot r+l b) \tag{10} X(t+1)=Xδ±(ub−lb⋅r+lb)(10)
X ( t + 1 ) = X δ ± ( u b − l b ⋅ r + l b ) (11) X(t+1)=X_{\delta} \pm(u b-l b \cdot r+l b) \tag{11} X(t+1)=Xδ±(ub−lb⋅r+lb)(11)
本文对迭代过程进行改进，通过把动态权重和动态种群结合起来，提出一种混合策略的灰狼优化算法。
改进后的灰狼优化算法主要步骤：
（1）在狼群变量的上限和下限中随机初始化狼群和初始化算法参数。
（2）计算每个个体狼的适应度值。
（3）选择适应度排在前 3 的个体狼作为 , α , β , δ \alpha,\beta,\delta α,β,δ 狼。
（4）根据式（1）,（2）,（3）,（6）,（7）计算其它狼的位置。
（5）重新计算所有个体狼的适应度值。
3.实验结果
4.参考文献
[1]牛家彬,王辉.一种基于混合策略的灰狼优化算法[J].齐齐哈尔大学学报(自然科学版),2018,34(01):16-19+32.