一种优化局部搜索能力的灰狼算法
摘要： 灰狼算法是一种经典的群智能算法。针对灰狼算法局部搜索收敛较慢,易陷入局部最优且搜索精度不高的缺陷，提出一种新的灰狼算法。新算法通过增加α狼视野，赋予α狼主动搜索能力，在全局搜索的同时进一步提高了局部寻优精度，实现搜索结果的进一步优化。反向学习策略以避免算法陷入局部最优 .
1.灰狼优化算法
基础灰狼优化算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107716390
2.改进的狼群算法
仔细观察狼群围捕过程可以发现，在围捕的最后阶段狼群围绕猎物不断移动，但代价函数的输出却不再缩小，究其原因是狼群多样性缺失，α狼陷入局部最优，为此，本文提出为α狼增加主动搜索视野，使α狼不再被动局限于狼群更新带来的优化，同时也具备局部搜索的能力。
假设α狼具备看到β狼的视野，这样每次α狼、β狼、δ狼更新位置后α狼会在视野范围内寻找比当前更优的位置并移动到更优位置，为了减少参数数量，假设α狼每次视野内局部寻优进行次数与狼群迭代次数相同，即程序会在α狼视野范围内重复生成备选位置，与α狼比较并选取最优解。
X i备选 = X i α + random ( − a b s ( X i α − X i β ) , a b s ( X i α − X i β ) ) (12) X_{\text {i备选 }}=X_{i \alpha}+\operatorname{random}\left(-a b s\left(X_{i \alpha}-X_{i \beta}\right), a b s\left(X_{i \alpha}-X_{i \beta}\right)\right) \tag{12} Xi备选 =Xiα+random(−abs(Xiα−Xiβ),abs(Xiα−Xiβ))(12)
为了进一步降低算法实现难度，提高程序运行效率，采用式 (12)生成备选位置的第i维数据，因此，α狼在第 i 维空间的视野范围为 [ X i α − a b s ( X i α − X i β ) , X i α + a b s ( X i α − X i β ) ] , i = 0 , 1 , . . . , n [X_{i\alpha}-abs(X_{i\alpha}-X_{i\beta}),X_{i\alpha}+abs(X_{i\alpha}-X_{i\beta})],i=0,1,...,n [Xiα−abs(Xiα−Xiβ),Xiα+abs(Xiα−Xiβ)],i=0,1,...,nn为解空间维度。
本文GWO算法伪代码：
3.实验结果
4.参考文献
[1]王习涛.一种优化局部搜索能力的灰狼算法[J].计算机时代,2020(12):53-55.