### 灰狼优化算法的Python实现 灰狼优化算法（Grey Wolf Optimizer, GWO）是一种基于群体智能的启发式优化算法，其灵感来源于灰狼的社会等级制度和捕猎行为。以下是一个完整的Python实现，用于模拟灰狼优化算法的核心过程。 #### 1. 初始化参数 在GWO中，需要定义种群规模、迭代次数以及搜索空间的上下界等参数。 ```python import numpy as np import matplotlib.pyplot as plt # 参数初始化 def initialize_parameters(num_wolves, dim, search_space): wolves = np.random.uniform(search_space[0], search_space[1], (num_wolves, dim)) alpha, beta, delta = None, None, None return wolves, alpha, beta, delta ``` #### 2. 计算适应度值 适应度函数根据具体问题定义，此处以一个简单的多维函数为例。 ```python # 定义适应度函数（可根据实际问题调整） def fitness_function(position): # 例如使用 Sphere 函数作为目标函数 return np.sum(position**2) ``` #### 3. 更新灰狼位置 根据灰狼优化算法的核心公式，更新α、β、δ狼的位置，并引导其他灰狼个体向最优解靠近。 ```python def update_positions(wolves, alpha, beta, delta, a, dim, search_space): A1 = 2 * a * np.random.rand(dim) - a C1 = 2 * np.random.rand(dim) D_alpha = abs(C1 * alpha - wolves) X1 = alpha - A1 * D_alpha A2 = 2 * a * np.random.rand(dim) - a C2 = 2 * np.random.rand(dim) D_beta = abs(C2 * beta - wolves) X2 = beta - A2 * D_beta A3 = 2 * a * np.random.rand(dim) - a C3 = 2 * np.random.rand(dim) D_delta = abs(C3 * delta - wolves) X3 = delta - A3 * D_delta new_positions = (X1 + X2 + X3) / 3 new_positions = np.clip(new_positions, search_space[0], search_space[1]) return new_positions ``` #### 4. 主循环 通过迭代更新灰狼的位置，逐步逼近最优解。 ```python def grey_wolf_optimizer(num_wolves, dim, search_space, max_iter): wolves, alpha, beta, delta = initialize_parameters(num_wolves, dim, search_space) best_fitness = float('inf') for iteration in range(max_iter): fitness_values = np.array([fitness_function(wolf) for wolf in wolves]) # 更新α、β、δ狼 for i in range(len(fitness_values)): if fitness_values[i] < best_fitness: best_fitness = fitness_values[i] alpha = wolves[i] sorted_indices = np.argsort(fitness_values) alpha = wolves[sorted_indices[0]] beta = wolves[sorted_indices[1]] delta = wolves[sorted_indices[2]] # 更新参数a a = 2 - iteration * (2 / max_iter) # 更新灰狼位置 wolves = update_positions(wolves, alpha, beta, delta, a, dim, search_space) # 输出当前最优解 print(f"Iteration {iteration+1}: Best Fitness = {best_fitness}") return alpha, best_fitness ``` #### 5. 运行示例 以下是一个运行示例，展示如何使用上述代码来寻找最优解。 ```python if __name__ == "__main__": num_wolves = 20 # 种群规模 dim = 2 # 搜索空间维度 search_space = [-10, 10] # 搜索范围 max_iter = 100 # 最大迭代次数 best_position, best_fitness = grey_wolf_optimizer(num_wolves, dim, search_space, max_iter) print("Optimal Solution:", best_position) print("Best Fitness Value:", best_fitness) ``` ### 结果分析 灰狼优化算法通过模拟灰狼的合作捕食行为，能够有效地解决复杂的优化问题[^1]。上述实现展示了如何通过群体智能方法找到目标函数的最优解。此外，灰狼优化算法已成功应用于生产调度、参数优化等领域[^2]。