灰 狼 优 化 算 法( G W O) 原 理

GWO（灰狼优化）算法MATLAB源码逐行中文注解

【实战恋爱技巧】【扣:⒈О１⒍.x.⒐５⒉б】 以优化SVM算法的参数c和g为例，对GWO算法MATLAB源码进行了逐行中文注解。 tic % 计时器 %% 清空环境变量 close all format compact %% 数据提取

% 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量 load wine.mat % 选定训练集和测试集

% 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集

train_wine

[wine(1:30,:);wine(60:95,:);wine(131:153,:)]; % 相应的训练集的标签也要分离出来 train_wine_labels

= =

[wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];

% 将第一类的31-59,第二类的96-130,第三类的154-178做为测

试集 test_wine

[wine(31:59,:);wine(96:130,:);wine(154:178,:)]; % 相应的测试集的标签也要分离出来 test_wine_labels

= =

[wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];

%% 数据预处理

% 数据预处理,将训练集和测试集归一化到[0,1]区间 [mtrain,ntrain] = size(train_wine); [mtest,ntest] = size(test_wine); dataset = [train_wine;test_wine]; % mapminmax为MATLAB自带的归一化函数

[dataset_scale,ps] = mapminmax(dataset',0,1); dataset_scale = dataset_scale'; train_wine = dataset_scale(1:mtrain,:);

test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: ); %% 利用灰狼算法选择最佳的SVM参数c和g

SearchAgents_no=10; % 狼群数量，Number of search agents Max_iteration=10; % 最大迭代次数，Maximum numbef of iterations

dim=2; % 此例需要优化两个参数c和g，number of your

variables

lb=[0.01,0.01]; % 参数取值下界 ub=[100,100]; % 参数取值上界

% v = 5; % SVM Cross Validation参数,默认为5 % initialize alpha, beta, and delta_pos Alpha_pos=zeros(1,dim); % 初始化Alpha狼的位置

Alpha_score=inf; % 初始化Alpha狼的目标函数值，change this to -inf for maximization problems

Beta_pos=zeros(1,dim); % 初始化Beta狼的位置

Beta_score=inf; % 初始化Beta狼的目标函数值，change this to -inf for maximization problems

Delta_pos=zeros(1,dim); % 初始化Delta狼的位置

Delta_score=inf; % 初始化Delta狼的目标函数值，change this to -inf for maximization problems

%Initialize the positions of search agents

Positions=initialization(SearchAgents_no,dim,ub,lb); Convergence_curve=zeros(1,Max_iteration); l=0; % Loop counter循环计数器 % Main loop主循环

while lMax_iteration % 对迭代次数循环 for i=1:size(Positions,1) % 遍历每个狼

% Return back the search agents that go beyond the

boundaries of the search space

% 若搜索位置超过了搜索空间，需要重新回到搜索空间 Flag4ub=Positions(i,:)ub; Flag4lb=Positions(i,:)lb;

% 若狼的位置在最大值和最小值之间，则位置不需要调整，若超出最大值，最回到最大值边界； % 若超出最小值，最回答最小值边界

Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; % ~表示取反 % 计算适应度函数值 cmd

=

['

-c

',num2str(Positions(i,1)),'

-g

',num2str(Positions(i,2))];

model=svmtrain(train_wine_labels,train_wine,cmd); % SVM模型训练

[~,fitness]=svmpredict(test_wine_labels,test_wine,model); % SVM模型预测及其精度

fitness=100-fitness(1); % 以错误率最小化为目标 % Update Alpha, Beta, and Delta

if fitnessAlpha_score % 如果目标函数值小于Alpha狼的目标函数值

Alpha_score=fitness; % 则将Alpha狼的目标函数值更新为最优目标函数值，Update alpha

Alpha_pos=Positions(i,:); % 同时将Alpha狼的位置更新为最优位置

if fitnessAlpha_score fitnessBeta_score % 如果目标函数值介于于Alpha狼和Beta狼的目标函数值之间

Beta_score=fitness; % 则将Beta狼的目标函数值更新为最优目标函数值，Update beta

Beta_pos=Positions(i,:); % 同时更新Beta狼的位置 if

fitnessAlpha_score

fitnessBeta_score

fitnessDelta_score % 如果目标函数值介于于Beta狼和Delta狼的目标函数值之间

Delta_score=fitness; % 则将Delta狼的目标函数值更新为最优目标函数值，Update delta

Delta_pos=Positions(i,:); % 同时更新Delta狼的位置 a=2-l*((2)-Max_iteration); % 对每一次迭代，计算相应的a值，a decreases linearly fron 2 to 0

% Update the Position of search agents including omegas for i=1:size(Positions,1) % 遍历每个狼 for j=1:size(Positions,2) % 遍历每个维度 % 包围猎物，位置更新

r1=rand(); % r1 is a random number in [0,1]