探讨灰狼优化算法的应用研究及实践。.pdfVIP

探讨灰狼优化算法的应用研究及实践。

前言

1.1选题的目的和意义

本次论文题目需要我们深度学习灰狼优化算法的知识，探讨优化算法的实

际内容。并基于该算法的基础，并进行一些简单的应用研究及实践。

在实际应用中，根据灰狼优化算法的原理以及理论依据，实现求解连续函

数的最优值问题，并且根据算法中存在的一些缺陷，针对性的进行研究与改

进。提出改进后的算法。并结合原始的基础GWO算法，与改进算法的优化能

力进行比较，实现算法对函数优化过程的对比，证明改进算法的意义。

GWO算法国内外的研究

在国外，众多学者对GWO算法进行了研究与改进。2014年，song等引入

GWO来解决电力系统中的联合经济排放调度问题（CEED）。结果于其他优化

技术进行比较，以观察GWO的有效性。2015年，Sulaiman等用GWO解决最

优无功率电镀（ORPD）问题，采用IEEE30总线系统和IEEE118总线系统两个

案列来现实GWO技术的有效性。2016年，Medjahed等提出一种新的基于灰狼

优化算法的框架，以降低高光谱图像的维度。结果分析证明，所提出的方法可

以有限的研究光谱波段选择问题，并通过使用少数样本训练提供分类准确率。

2017年，Katarya和Verma提供了一个基于电影的合作推荐系统，它利用灰狼

优化算法和模糊C均值（FCM）具类技术，并基于他的历史数据预测特定用户

的电影评分和用户的相似性。推荐系统的实验结果表明，与以前的工作相比，

效率和性能得到增强，并提供更好的建议。

国内近些年来，也有许多学者根据理论依据以及现实中存在的问题，对

GWO算法进行了深度的研究。2015年，龙文等提出一种改进的灰狼优化

（IGWO）算法用于求解约束优化问题。6个标准的约束优化测试结果表明该算

法不仅克服了基本GWO的缺点，并且性能优于差分进化和粒子群优化算法。

2016年，龙文等提出一种基于混沌和精英反向学习的混合灰狼优化算法以解决

高维优化问题，结果表明，混合灰狼优化算法在求解精度以及收敛速度指标

上，均明显优于对比算法。2017年，Zhang和提出一种侧抑制的灰狼优化算法

LI-GWO，并将其用于模板匹配问题，实验结果表明LI-GWO能够有限解决模

板匹配问题，且收敛速度快、计算精度高。

2引言

灰狼优化算法隶属于群体优化算法中的一种，该算法通过模拟大自然的生物的

活动和其群体表现出来的智能行为，根据群体之间的相互合作，沟通，排查，

达到寻找行为最优解的目的。在近些年来，这些智能算法也在广泛运用于各个

方面。例如，耳熟能详的遗传算法，经典的粒子群，蚁群，人工鱼群算法等。

以及近年来不断推出的蛙跳算法，猫群算法，蟑螂算法等。对于这些算法中存

在的部分缺陷，其对应的优化算法也就随之而然的产生了。

灰狼优化算法是一种模拟自然中灰狼猎食活动的群体智能算法。在2014年，由

澳大利亚学者Mirjalili提出。模拟狼群的等级制度将狼群在猎食中的跟踪，包

围，狩猎，攻击的一系列动作分配给不同狼群来执行从而达到全局最优的过

程。而最早提出该群体智能算法的是2007年IPC国际会议上由杨晨光等人提

出。GWO算法在实际运用中，具有易操作，参数少，容易实现编程等优点。对

比其他智能优化算法，灰狼优化算法在函数优化方面，具有显著的优势，在数

值优化方面，GWO算法已经被各界人士证明在收敛速度与精度上明显优于、果

蝇优化算法（FFA）、布谷鸟有哪些信誉好的足球投注网站算法（CSA）、人工蚁群算法（ABC）、蝙

蝠算法（BA）、万有引力有哪些信誉好的足球投注网站算法（GSA）等。所以，GWO算法在水量分

配、无人机路线规划、流水线车间调度、电力系统规划等方面有着广泛的应

用。

但该算法也存在易陷入局部最优，求解精度低，收敛速度较慢等问题，特别是

在求解高维函数优化问题时。对于灰狼算法的缺陷，近些年来，许多学者都提

出了不少优良的改进算法，2015年，龙等提出利用混沌与精英反向学习的方式

改进灰狼优化算法（HGWO）。2015年，杨等针对传统K-均值聚类算法，结

合灰狼优化算法，提出新型的GWO-KM