《智能优化算法及其MATLAB实现》全套教学课件

智能优化算法及其MATLAB实现第一章粒子群优化算法及其MATLAB实现第1章飞鸟粒子群优化算法第2章蚁狮群优化算法第3章果蝇优化算法第4章萤火虫优化算法第5章灰狼优化算法第6章正余弦优化算法第7章多元宇宙优化算法第8章引力搜索算法第9章树种优化算法第10章风驱动优化算法第11章智能优化算法基准测试集第12章智能优化算法性能测试全套可编辑PPT课件2目录粒子群优化算法粒子群优化算法的MATLAB实现粒子群优化算法的应用案例

粒子群优化算法的基本原理3目录粒子群优化算法

粒子群优化算法的基本原理4粒子群优化算法的基本原理粒子群优化算法（ParticleSwarmOptimization,PSO）是模拟鸟类觅食等群体智能行为的智能优化算法。它是一种基于群体的随机优化技术，模拟自然界的群体智能，通过个体间的协作与信息共享，在复杂的解空间中高效搜索最优解。将优化问题的潜在解视为“粒子位置”，每个粒子通过追踪自身历史最优（pBest）和群体全局最优（gBest），动态调整飞行速度与方向，在不断的迭代中逐步收敛，最终汇聚到全局最优解所在的区域，体现了分布式群体智能的优势。核心思想：群体协作寻优PSO算法具有参数少、原理简单、收敛速度快且易于实现的特点。它不依赖梯度信息，能有效处理非线性、多峰复杂问题，广泛应用于函数优化、神经网络训练、路径规划等多个领域，是智能优化领域的经典算法之一。算法优势：简单高效5粒子群优化算法的基本原理01粒子与种群初始化02个体与全局最优03速度与位置迭代关键步骤：粒子的空间位置代表目标优化问题的一个解，种群由随机初始化的粒子组成。每个粒子拥有位置（解的坐标）和速度两个核心属性，构成了算法的搜索基础，决定了初始的探索空间。算法定义了两个关键指标：粒子自身历史最优位置（pBest）和种群全局最优位置（gBest）。这两个最优值是粒子调整飞行方向的核心指引，确保搜索的方向性。通过动量、认知（向自身最优学习）和社会（向全局最优学习）三个分量更新速度，再通过速度更新粒子位置。这种迭代机制使粒子在解空间中不断“飞行”，逐步逼近最优解。粒子群优化算法的基本原理1.1.1粒子和速度初始化01粒子●在一个D维的目标搜索空间中，由个粒子组成一个粒子群，其中每个粒子都是一个维向量，其空间位置可以表示为：●粒子的空间位置是目标优化问题中的一个解，将其代入适应度函数可以计算出适应度值，根据适应度值的大小衡量粒子的优劣。02速度●第i个粒子的飞行速度也是一个D维向量，记为:●速度决定粒子下一步的飞行方向与距离，是驱动种群迭代的核心动力。💡注意：

粒子的位置和速度值都在给定的范围内随机生成。随机初始化是粒子群算法全局搜索的起点，通过在解空间内均匀分布初始粒子，确保算法具备探索全域最优解的可能性，避免陷入局部最优陷阱。粒子群优化算法的基本原理1.1.2个体历史最优值和全局最优值每个粒子通过向个体历史最优值与全局最优值的不断学习实现高效寻优。个体历史最优值(pbest)●第i个粒子经历过的具有最优适应度值的位置称为个体历史最优位置，记为：●更新：每次迭代将当前位置与pbest对比，若更优则立即更新，持续保留个人最佳。全局最优值(gbest)●整个粒子群经历过的最优位置称为全局历史最优位置，记为：●更新：迭代中全局比对所有个体最优，筛选出全局最优并同步给整个种群。“pbest代表自我探索的深度，gbest代表群体协作的广度，二者结合构成了粒子群算法的核心寻优动力。”粒子群优化算法的基本原理1.1.3粒子群的速度和位置更新这是PSO算法最核心的部分。在每一次迭代中，粒子通过动态调整飞行速度与位置，从而在解空间中高效搜索最优解。速度更新公式:位置更新公式:其中，下标j表示粒子的第j维，下标i表示第i个粒子，t表示当前迭代次数，c1与c2均为加速常量，通常在区间(0,2)内取值，r1与r2为两个相互独立的取值范围在[0,1]的随机数。从上述方程可以看出，c1与c2将粒子向个体学习和向群体学习联合起来，使得粒子能够借鉴个体自身的搜索经验和群体的搜索经验。粒子群优化算法的基本原理1.1.3粒子群的速度和位置更新v1：全局历史最优解引起的第i个粒子的速度v2：第i个粒子历史最优解引起的第i个粒子的速度v3：第i个粒子原来具有的速度例如：

搜索空间是二维，全局最优解在点best处。

首先，第i个粒子从位置1更新到了位置2过程为：粒子最终的速度由v1、v2和v3共同决定，使得粒子到达新的位置。

接下来，以同样的方式继续更新粒子的速度和位置，粒子会逐渐接近点best处的全局最优解。粒子群优化算法求解优化问题的示意图粒子群优化算法的基本原理01初始化参数初始化粒子群参数c1与c2设置位置边界范围设置速度边界范围初始化粒子群种群，初始化粒子群速度。02迭代寻优循环适应度：根据适应度函数计算适应度值，记录历史最优值与全局最优值。状态更新：按速度和位置更新公式调整粒子速度与位置，并执行边界检查。动态更新：重新计算适应度，对比并更新个体与全局最优解。保留最优的历史最优值和全局最优值。03输出最优结果终止条件：达到预设的最大迭代次数要求。结果输出：输出全局最优位置(gbest)坐标。1.1.4粒子群优化算法流程粒子群优化算法流程图11目录粒子群优化算法粒子群优化算法的MATLAB实现粒子群优化算法的MATLAB实现本部分将带领大家深入探索粒子群优化算法的代码实现细节，从核心原理到实际编程，逐步掌握将PSO理论转化为可执行程序的关键步骤，打通算法理论与工程实践的桥梁，让抽象的算法思想落地为可运行的代码。01种群初始化定义粒子的初始位置与速度，构建算法的初始搜索空间，为后续的迭代寻优奠定坚实的数据基础。02适应度函数设计目标函数评价机制，量化粒子位置的优劣程度，这是算法迭代进化与方向指引的核心依据。03边界约束建立搜索范围的边界限制机制，防止粒子飞出有效解空间，确保算法在合理范围内高效搜索。04代码实现整合所有核心逻辑，编写模块化的Matlab代码，实现算法的完整运行、结果输出与可视化展示。粒子群优化算法的MATLAB实现1.2.1粒子和速度初始化-MATLAB相关函数1.函数rand()是MATLAB自带的随机数生成函数，函数rand()会生成区间[0,1]内的随机数。2.若要一次性生成多个随机数，则可以这样使用函数rand(col,row)，其中col与row分别代表行和列，如rand(3,4)表示生成3行4列的范围在[0,1]之间的随机数。粒子群优化算法的MATLAB实现1.2.1粒子和速度初始化-MATLAB相关函数3.若要生成指定范围内的随机数，则可以利用如下表达式表示其中，ub表示范围的上边界，lb表示范围的下边界。例如，在区间[0,4]内生成以下5个随机数，相关代码如下：粒子群优化算法的MATLAB实现1.2.1粒子和速度初始化-粒子群初始化函数编写定义初始化函数名称为initialization，并单独编写成一个函数存放在initialization.m文件中。利用（MATLAB相关函数）节中的随机数生成方式，生成初始种群。粒子群优化算法的MATLAB实现1.2.1粒子和速度初始化-粒子群初始化函数编写举例：设定种群数量为10，每个粒子群维度均为5，每个维度的边界均为[5,5]，利用粒子群初始化函数初始种群。粒子群优化算法的MATLAB实现1.2.2适应度函数适应度函数是优化问题的目标函数，根据不同应用设计相应的适应度函数。我们可以将自己设计的适应度函数单独写成一个函数，方便优化算法调用。一般将适应度函数命名为fun()，这里我们定义一个适应度函数并存放在fun.m中，这里适应度函数定义如下：举例：这里我们的适应度值就是x所有值的平方和，如x=[1,2]，那么经过适应度函数计算后得到的值为5。粒子群优化算法的MATLAB实现1.2.3边界检查和约束函数边界检查的作用是防止变量超过规定的范围，一般当变量大于上边界时，直接将其置为上边界；当变量小于下边界时，直接将其置为下边界。逻辑如下：定义边界检查函数为BoundaryCheck()，并将其保存为BoundaryCheck.m文件。粒子群优化算法的MATLAB实现1.2.3边界检查和约束函数举例：例如，x=[1,2,3,4]，定义上边界为[1,1,1,1]，下边界为[1,1,1,1]。于是经过边界检查和约束后，x应为[1,1,1,1]。粒子群优化算法的MATLAB实现1.2.4粒子群优化算法的MATLAB代码粒子群优化算法的基本原理可知，编写粒子群优化算法的全部代码，定义粒子群优化算法的函数名称为pso，并将其保存为pso.m文件。粒子群优化算法的MATLAB实现

至此，粒子群优化算法的代码基本编写完成，所有涉及到粒子群优化算法的子函数均包括在如图1.3所示的.m文件里。22目录粒子群优化算法粒子群优化算法的应用案例1.3.1求解函数极值粒子群优化算法的应用案例问题：求解一组x1,x2，使得

函数的值最小。x1和x2取值范围均为[10,10]。

f(x1,x2)的搜索曲面绘制搜索曲面MATLAB代码观察函数图像求解思路分析：

设置粒子群的种群数量pop为50，最大迭代次数maxIter为100，由于是求解x1与x2，因此将粒子的维度dim设置为2，粒子上边界ub=[10,10]，粒子下边界lb=[10,10]，速度上边界vmax=[2,2]，速度下边界vmin=[2,2]。粒子群优化算法的应用案例1.根据问题设定如下适应度函数fun.m1.3.1求解函数极值2.求解该问题的主函数main.m如下：粒子群优化算法的应用案例1.3.1求解函数极值粒子群优化算法的应用案例4.程序运行结果如图所示：3.输出结果如下：1.3.1求解函数极值结论分析：

从粒子群优化算法寻优的结果来看，使用粒子群优化算法得到的最终求解值（0.0044388，0.0090971），非常接近理论最优值（0，0），表明粒子群优化算法具有寻优能力强的特点。粒子群优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

问题描述

问题：压力容器设计问题的目标是使压力容器制作（配对、成型和焊接）成本最低，压力容器示意图如图所示，压力容器的两端都由封盖封住，头部一端的封盖为半球状。L是不考虑头部的圆柱体部分的截面长度，R是圆柱体的内壁半径，Ts和Th分别表示圆柱体的壁厚和头部的壁厚，L、R、Ts和Th即为压力容器设计问题的4个优化变量。压力容器示意图目标函数的约束条件表示如下：问题的目标函数表示如下：粒子群优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

适应度函数设计

1、通过粒子群优化算法寻优的边界对约束条件进行设置，即设置粒子x上边界为ub=[100,100,100,100]，粒子x下边界为lb=[0,0,10,10]。其中，需要在适应度函数中对g1(x),g2(x),g3(x),g4(x)进行约束，若x1,x2,x3,x4均不满足约束条件，则设置该适应度函数无效，并将其设置为inf。定义适应度函数fun.m如下：粒子群优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

粒子群优化算法主函数设计

2、通设置粒子群种群数量pop为50，最大迭代次数maxIter为500，由于将粒子的维度dim设置为4（即x1,x2,x3,x4），粒子上边界ub=[100,100,100,100]，粒子下边界lb=[0,0,10,10]，速度上边界vmax=[2,2,2,2]，速度下边界vmin=[2,2,2,2]。粒子群主函数main.m设计如下：粒子群优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

粒子群优化算法主函数设计4、程序运行结果如图所示。3、输出结果如下程序运行结果结论分析：

从收敛曲线上来看，压力容器适应度函数值不断减小，表明粒子群优化算法不断地对参数进行优化。最终输出了一组满足约束条件的压力容器参数，对压力容器的设计具有指导意义。智能优化算法及其MATLAB实现谢

谢智能优化算法及其MATLAB实现第二章蚁狮优化算法及其MATLAB实现33目录蚁狮优化算法蚁狮优化算法的MATLAB实现蚁狮优化算法的应用案例蚁狮优化算法的基本原理蚁狮优化算法的基本原理蚁狮优化算法（AntLionOptimization，ALO）是模拟蚁狮捕猎蚂蚁的狩猎机制以实现全局寻优。蚁狮在捕猎前利用其巨大的下颚在沙子中挖出一个漏斗状的陷阱，并藏在陷阱底部等待猎物的到来，如图所示。一旦随机游走的蚂蚁落入陷阱，蚁狮就会迅速将其捕食，随后重新修缮陷阱等待下一次捕猎。

蚁狮优化算法通过数值模拟实现蚂蚁和蚁狮之间的相互作用对问题进行优化，即引入蚂蚁的随机游走机制并实现全局搜索，通过轮盘赌策略和精英策略保证种群的多样性和算法的寻优性。蚁狮相当于优化问题的解，通过捕猎高适应度的蚂蚁，实现对近似最优值的更新和保存。核心思想：蚁狮设阱，蚂蚁寻优蚁狮的捕猎行为1蚂蚁的随机游走2设置陷阱3利用陷阱诱捕蚂蚁4捕获猎物并重建洞穴关键步骤：35目录蚁狮优化算法蚁狮优化算法的基本原理蚁狮优化算法的基本原理2.1.1蚂蚁的随机游走蚂蚁在觅食过程中是随机移动的，利用随机游走来模拟蚂蚁的移动。随机游走的表达式为：其中，X(t)为蚂蚁的位置，cumsum为累加和，t为当前的迭代次数其中，rand是在[0,1]内均匀分布的随机数。r(t)为随机函数即:蚂蚁在进行随机游走后，需要对游走后的位置进行归一化,即：其中，Xjt表示第j维在t次迭代时的标准化位置，aj为第j维变量随机游走的最小值；bj为第j维变量随机游走的最大值；cjt为第j维变量在第t次迭代的最小值；djt为第j维变量在第t次迭代的最大值。蚁狮优化算法的基本原理2.1.2设置陷阱为了模拟蚁狮的捕猎能力，采用了轮盘赌策略。如图所示，假设蚂蚁只被困在一只选定的蚁狮中，蚁狮优化算法优化过程中的轮盘赌策略是根据蚂蚁的适应度选择蚂蚁。这一机制为更适合的蚁狮捕食蚂蚁提供了更好的机会。蚂蚁在蚁狮陷阱里的随机游走

蚂蚁的随机游走受到蚁狮陷阱的影响。陷阱对蚂蚁的影响可以用如下表达式表示：

其中，Antlion为第i只蚂蚁在第t代的位置，ct与dt分别为第t代的游走边界。粒子群优化算法的基本原理2.1.3利用陷阱诱捕蚂蚁蚂蚁的移动是随机的，所以蚁狮需要根据自身的适应性来构造陷阱。当蚂蚁进入陷阱时，蚁狮会向坑中央喷射沙子，使沙子从试图逃跑的蚂蚁身上滑下来，导致蚂蚁随机游走的超球半径自适应地减小，有利于蚁狮捕食蚂蚁。

在蚁狮捕捉蚂蚁的过程中，陷阱表现为蚂蚁游走边界不断缩小，即t为当前迭代次数，w取决于当前代数。其中，I

随着迭代次数的增加分段线性增加，即：粒子群优化算法的基本原理2.1.4捕获猎物并重建洞穴最后阶段是当一只蚂蚁到达坑底，且被蚁狮的下巴夹住时，在该阶段后，蚁狮把蚂蚁拉到沙子里吃掉。为了模仿这一过程，假设当蚂蚁的位置变得比相应的蚁狮的位置更适合捕食时（进入沙子）,然后，蚁狮需要更新自己的位置到被捕食蚂蚁的最新位置，以提高捕捉新猎物的概率。精英策略是进化算法的一个重要特征，它能够保证进化算法在优化过程中的任何阶段获得最优解。将每次迭代中得到的最佳蚁狮均保存为精英蚁狮。因为精英蚁狮是适应度最好的蚁狮，它能够在迭代过程中影响所有蚂蚁的移动。所以，每只蚂蚁均同时根据轮盘赌策略和精英略随机地围绕一个选定的蚁狮行走。其中，Ant表示第i只蚂蚁在第t次迭代时的位置，RAt表示蚂蚁在第t次迭代时围绕适应度轮盘赌选择蚁狮随机游走后的位置，REt为表示蚂蚁在第t次迭代时围绕精英蚁狮随机游走后的位置。粒子群优化算法的基本原理01初始化参数初始化种群。02迭代寻优循环适应度：计算适应度值并排序，记录全局最优位置。选择蚁狮位置：获取精英蚁狮位置，通过轮盘赌策略选择另外一只蚁狮。。蚂蚁位置更新：蚂蚁分别围绕精英蚁狮和随机蚁狮进行随机游走。03输出最优结果更新蚂蚁位置：蚂蚁和蚁狮位置，更新蚁狮位置。结果输出：若满足结束条件，则输出最优蚁狮位置。2.1.5蚁狮优化算法流程蚁狮优化算法流程图41目录蚁狮优化算法蚁狮优化算法的MATLAB实现蚁狮优化算法的MATLAB实现本部分将带领大家深入探索蚁狮优化算法的代码实现细节，从核心原理到实际编程，逐步掌握将ALO理论转化为可执行程序的关键步骤，打通算法理论与工程实践的桥梁，让抽象的算法思想落地为可运行的代码。01种群初始化定义初始化函数单独编写成一个函数并将该函数存放在固定文件中。02适应度函数适应度函数是优化问题的目标函数，根据不同应用设计相应的适应度函数。03边界和约束边界检查的作用是防止变量超过规定的范围，一般当变量大于上边界时，直接将其设置为上边界；当变量小于下边界时，直接将其设置为下边界，04轮盘赌策略在蚁狮优化算法中，蚁狮的选择是通过轮盘赌策略进行选择的。轮盘赌策略是指在一群蚂蚁中，随机挑选一只蚂蚁，但是挑选的概率并不是均匀分布的，而是适度值越大，被选中的概率越大。2.2.1粒子和速度初始化-MATLAB相关函数见第一章！05随机游走首先，计算随机游走系数；其次，计算随机游走边界；最后，根据随机游走边界进行随机游走。蚁狮优化算法的MATLAB实现2.2.1蚁狮初始化函数编写定义初始化函数名称为initialization，并单独编写成一个函数并将该函数存放在initialization.m文件中。随机数生成方式，生成初始种群：蚁狮优化算法的MATLAB实现2.2.1蚁狮初始化函数编写举例：设定种群数量为10，每个蚂蚁维度均为5，每个维度的边界均为[5,5]，利用初始化函数初始种群。蚁狮优化算法的MATLAB实现2.2.2适应度函数适应度函数是优化问题的目标函数，根据不同应用设计相应的适应度函数。我们可以把自己设计的适应度函数单独写成一个函数，方便优化算法调用。一般将适应度函数命名为fun，这里我们定义一个适应度函数并将其存放在fun.m文件中，这里适应度函数定义如下：举例：这里我们的适应度值就是x所有值的平方和，如x=[1,2]，那么经过适应度函数计算后得到的值为5。蚁狮优化算法的MATLAB实现2.2.3边界检查和约束函数边界检查的作用是防止变量超过规定的范围，一般当变量大于上边界时，直接将其置为上边界；当变量小于下边界时，直接将其置为下边界。逻辑如下：定义边界检查函数为BoundaryCheck()，并将其保存为BoundaryCheck.m文件。蚁狮优化算法的MATLAB实现2.2.3边界检查和约束函数举例：例如，x=[1,2,3,4]，定义上边界为[1,1,1,1]，下边界为[1,1,1,1]。于是经过边界检查和约束后，x应为[1,1,1,1]。蚁狮优化算法的MATLAB实现2.2.4轮盘赌策略

蚁狮的选择是通过轮盘赌策略进行选择的。轮盘赌策略是指在一群蚂蚁中，随机挑选一只蚂蚁，但是挑选的概率并不是均匀分布的，而是适度值越大，被选中的概率越大。

定义轮盘赌策略函数为RouletteWheelSelection()，并保存为RouletteWheelSelection.m文件。蚁狮优化算法的MATLAB实现

其中，涉及到的MATLAB函数cumsum()为累加函数，如X=[x1,x2,x3]，则cumsum(X)得到的结果为X=[x1,(x1+x2),x3]。。为了验证轮盘赌策略的有效性，假设X=[1,5,3]，那么当运行200次后，理论上选中5的概率应该比较大，即返回的索引应该是位置2，测试如下：输出结果如下：从结果来看，的确是位置2被选中的概率更高。蚁狮优化算法的MATLAB实现2.2.5蚁狮优化算法的随机游走-随机游走步骤计算随机游走系数I计算随机游走边界根据随机游走边界进行随机游走蚁狮优化算法的MATLAB实现2.2.5蚁狮优化算法的随机游走-计算随机游走系数I计算随机游走系数I的具体MATLAB代码如下：蚁狮优化算法的MATLAB实现2.2.5蚁狮优化算法的随机游走-计算随机游走边界计算随机游走边界的具体MATLAB代码如下：蚁狮优化算法的MATLAB实现2.2.5蚁狮优化算法的随机游走-随机游走函数整体代码

将随机游走编写为一个模块，定义函数名称为Random_walk_around_antlion()，并将其保存为Random_walk_around_antlion.m文件蚁狮优化算法的MATLAB实现2.2.5蚁狮优化算法的随机游走-随机游走函数整体代码

将随机游走编写为一个模块，定义函数名称为Random_walk_around_antlion()，并将其保存为Random_walk_around_antlion.m文件蚁狮优化算法的MATLAB实现2.2.6蚁狮优化算法的MATLAB代码

将整个蚁狮优化算法定义为一个模块，其模块名称函数为ALO，并将其存储为ALO.m文件。整个蚁狮优化算法的MATLAB代码如下：蚁狮优化算法的MATLAB实现2.2.6蚁狮优化算法的MATLAB代码蚁狮优化算法的MATLAB实现2.2.6蚁狮优化算法的MATLAB代码蚁狮优化算法的MATLAB实现2.2.6蚁狮优化算法的MATLAB代码蚁狮优化算法的MATLAB实现2.2.6蚁狮优化算法的MATLAB代码

至此，蚁狮优化算法的代码编写完成，所有涉及到蚁狮优化算法的子函数均包括在如图所示的.m文件里。60目录蚁狮优化算法蚁狮优化算法的应用案例1.3.1求解函数极值蚁狮优化算法的应用案例问题：求解一组x1,x2，使得

函数的值最小。x1和x2取值范围均为[10,10]。

f(x1,x2)的搜索曲面绘制搜索曲面MATLAB代码观察函数图像求解思路分析：

从函数表达式和搜索曲面可知，该函数的最小值为0，最优解为x1=0，x2=0。利用蚁狮优化算法对该问题进行求解，设置蚁狮种群数量pop为50，最大迭代次数maxIter为100，由于是求解x1与x2，因此将蚁狮的维度dim设定为2，蚁狮上边界ub=[10,10]，蚁狮下边界lb=[10,10]。根据问题设定适应度函数fun.m如下：蚁狮优化算法的应用案例1.根据问题设定如下适应度函数fun.m1.3.1求解函数极值2.求解该问题的主函数main.m如下：蚁狮优化算法的应用案例1.3.1求解函数极值蚁狮优化算法的应用案例1.3.1求解函数极值结论分析：

从蚁狮优化算法寻优的结果来看，利用蚁狮优化算法得到的最终（1.7967e-07,1.8919e-08）值非常接近理论最优值（0,0），表明蚁狮优化算法具有寻优能力强的特点。4.程序运行结果如图所示：3.输出结果如下：蚁狮优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

问题描述

问题：压力容器设计问题的目标是使压力容器制作（配对、成型和焊接）成本最低，压力容器示意图如图所示，压力容器的两端都由封盖封住，头部一端的封盖为半球状。L是不考虑头部的圆柱体部分的截面长度，R是圆柱体的内壁半径，Ts和Th分别表示圆柱体的壁厚和头部的壁厚，L、R、Ts和Th即为压力容器设计问题的4个优化变量。压力容器示意图目标函数的约束条件表示如下：问题的目标函数表示如下：蚁狮优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

适应度函数设计

1、通过蚁狮优化算法寻优的边界对约束条件进行设置，即设置蚁狮上边界ub=[100,100,100,100]，蚁狮下边界为lb=[0,0,10,10]。其中，需要在适应度函数中对g1(x),g2(x),g3(x),g4(x)进行约束，若x1,x2,x3,x4不满足约束条件，则设置该适应度函数无效，并将其设置为inf。定义适应度函数fun.m如下：蚁狮优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

粒子群优化算法主函数设计

2、设置蚁狮种群数量pop为50，最大迭代次数maxIter为500，设置蚁狮的维度dim为4（x1,

x2,

x3,

x4）,蚁狮上边界ub=[100,100,100,100]，蚁狮下边界lb=[0,0,10,10]，蚁狮主函数main.m设计如下：蚁狮优化算法的应用案例1.3.2带约束问题求解：基于粒子群优化算法的压力容器设计-

粒子群优化算法主函数设计4、程序运行结果如图所示。3、输出结果如下结论分析：

从收敛曲线上来看，压力容器适应度函数值不断减小，表明蚁狮优化算法不断地对参数进行优化。最终输出了一组满足约束条件的压力容器参数，对压力容器的设计具有指导意义。程序运行结果智能优化算法及其MATLAB实现谢

谢智能优化算法及其MATLAB实现第三章果蝇优化算法及其MATLAB实现71目录果蝇优化算法果蝇优化算法的MATLAB实现果蝇优化算法的应用案例果蝇优化算法的基本原理72目录果蝇优化算法

果蝇优化算法的基本原理73果蝇优化算法的基本原理果蝇优化算法(FruitFlyOptimizationAlgorithm，FOA)是利用果蝇搜索食物的机制来对问题进行寻优。它一般根据气味来确定食物的位置。一般而言，食物腐烂程度越高，气味越大，果蝇对其越敏感。食物的距离影响气味的浓度，距离越远，食物的气味浓度越低。果蝇一般是从低浓度区域向高浓度区域进行搜索。果蝇一般能嗅到30km甚至超过40km远的食物源，然后通过敏锐的视觉器官系统再找到食物和其他同伴的位置，并快速地朝着该方向飞去。核心思想：全局巡游特性果蝇的觅食行为74果蝇优化算法的基本原理01果蝇初始化02果蝇通过气味寻找食物03果蝇位置更新关键步骤：确定搜索群体的初始位置为后续迭代搜索提供起点。参与搜索的个体数量,数量越多搜索能力越越强,但计算量也相应增加。初始化质量直接影响算法的收敛速度和最终结果。通过记录最优的味道浓度判断值及对应的坐标位置，果蝇根据视觉器官发现食物并迅速飞向食物位置，并将该位置作为下一次迭代的初始位置。果蝇根据个体和最初设立点的距离，找出味道浓度值的果蝇位置，其最优确定核心思想:距离食物越近,气味越浓,适应度越好。果蝇优化算法的基本原理3.1.1果蝇初始化●每只果蝇的位置从一开始都是随机产生的，对每只果蝇通过气味确定食物的方向进行赋值，即其中，i表示第

i只果蝇，randValue为区间[1,1]内的随机值，(X_aixs,Y_aixs)为果蝇当前位置坐标。果蝇优化算法的基本原理3.1.2果蝇通过气味寻找食物果蝇通过浓度判定函数和味道浓度的评定函数不断搜索确定味道浓度最优的果蝇及全局最优值浓度判断函数(Si)●果蝇无法准确判断食物源的位置，因此果蝇需要先估算出个体与最初设立点之间的开始距离Dist：●计算浓度判定值Si：浓度的评定函数

(Smell(i))和最优解●根据味道浓度的评定函数(适应度函数),计算出每只果蝇位置处的浓度值Smell(i)：●找出味道浓度最优的果蝇及全局最优值。

其中，bestSmell表示最大浓度值，bestindex表示浓度值最大位置处果蝇的索引。估算个体与最初设立点之间的距离求解浓度判定值根据味道浓度的评定函数计算每只果蝇位置处的浓度值找出味道浓度最优的果蝇及全局最优值果蝇优化算法的基本原理3.1.3果蝇位置更新●遍历所有果蝇,比较适应度值,找出当前代气味最浓(适应度最优)的果蝇，记录最优的味道浓度判断值bestSmell及对应的X、Y坐标位置（相当于整个群体利用视觉飞向当前最优食物源），果蝇根据视觉器官发现食物并迅速飞向食物位置，并将该位置作为下一次迭代的初始位置。位置更新是果蝇优化算法的核心迭代步骤,每一代都朝着当前最优的果蝇位置移动果蝇优化算法的基本原理3.1.4果蝇优化算法流程01初始化参数初始化果蝇位置02迭代寻优循环距离估算：估算个体与最初设立点之间的距离。浓度值求解：根据估算的距离值求解出浓度判定值。适应度函数：根据味道浓度评价函数计算出果蝇处的浓度值。最优值：找出味道浓度最优的果蝇及全局最优值。位置更新：记录最优的味道浓度判断值及坐标位置，作为下一次迭代的初始位置。03输出最优结果终止条件：达到预设的最大迭代次数或满足结束条件。结果输出：输出全局最优值。果蝇优化算法流程图79目录果蝇优化算法

果蝇优化算法的MATLAB实现果蝇优化算法的MATLAB实现本部分将带领大家深入探索果蝇优化算法的代码实现细节，从核心原理到实际编程，逐步掌握将FOA理论转化为可执行程序的关键步骤，打通算法理论与工程实践的桥梁，让抽象的算法思想落地为可运行的代码。01种群初始化初始化果蝇的位置，构建算法的初始搜索空间，为后续的迭代寻优奠定的数据基础。02适应度函数设计目标函数评价机制，量化果蝇位置的优劣程度，这是算法迭代进化与方向指引的核心依据。03边界和约束建立搜索范围的边界限制机制，防止果蝇飞出有效解空间，确保算法在合理范围内高效搜索。04代码实现整合所有核心逻辑，编写模块化的Matlab代码，实现算法的完整运行、结果输出与可视化展示。果蝇优化算法的MATLAB实现3.2.1果蝇位置初始化-MATLAB相关函数1.函数rand()是MATLAB自带的随机数生成函数，函数rand()会生成区间[0,1]内的随机数。2.若要一次性生成多个随机数，则可以这样使用函数rand(col,row)，其中col与row分别代表行和列，如rand(3,4)表示生成3行4列的范围在[0,1]之间的随机数。果蝇优化算法的MATLAB实现3.若要生成指定范围内的随机数，则可以利用如下表达式表示其中，ub表示范围的上边界，lb表示范围的下边界。例如，在区间[0,4]内生成以下5个随机数，相关代码如下：3.2.1果蝇位置初始化-MATLAB相关函数果蝇优化算法的MATLAB实现3.2.1果蝇位置初始化-果蝇种群位置初始化函数编写定义初始化函数名称为initialization，并单独编写成一个函数存放在initialization.m文件中。利用上节中的随机数生成方式，生成初始种群。果蝇优化算法的MATLAB实现

举例：设定种群数量为10，每个粒子群维度均为5，每个维度的边界均为[5,5]，利用粒子群初始化函数初始种群。3.2.1果蝇位置初始化-果蝇种群位置初始化函数编写果蝇优化算法的MATLAB实现3.2.2适应度函数适应度函数即对应果蝇优化算法的浓度值计算函数，是优化问题的目标函数，根据不同应用设计相应的适应度函数。把设计的适应度函数单独写成一个函数，方便优化算法调用。一般将适应度函数命名为fun，这里我们定义一个适应度函数并存放在fun.m文件中，定义如下：举例：适应度值就是x所有值的平方和，如x=[1,2]，那么经过适应度函数计算后得到的值为5。果蝇优化算法的MATLAB实现3.2.3边界检查和约束函数边界检查的作用是防止变量超过规定的范围，一般当变量大于上边界时，直接将其置为上边界；当变量小于下边界时，直接将其置为下边界。逻辑如下：定义边界检查函数为BoundaryCheck()，并将其保存为BoundaryCheck.m文件。果蝇优化算法的MATLAB实现3.2.3边界检查和约束函数举例：例如，x=[1,2,3,4]，定义上边界为[1,1,1,1]，下边界为[1,1,1,1]。于是经过边界检查和约束后，x应为[1,1,1,1]。果蝇优化算法的MATLAB实现3.2.4果蝇优化算法的MATLAB代码将整个果蝇优化算法定义为一个模块，模块名称函数为FOA，并将其存储为FOA.m文件。整个果蝇优化算法的MATLAB代码编写如下：果蝇优化算法的MATLAB实现

至此，果蝇算法的基本代码编写完成。!!!但是，由果蝇优化算法的原始代码可以看出，根据浓度判断函数(Si)是求取距离倒数后得出，Si值在大部分情况下小于1，使得最终的解也在1附近。那么对于搜索空间比较大的情况，会发现使用果蝇优化算法计算出来的解并不满足要求。有没有解决办法呢？果蝇优化算法的MATLAB实现3.2.5改进果蝇优化算法的MATLAB代码为了适应任何搜索空间范围，将果蝇优化算法的代码更改如下：果蝇优化算法的MATLAB实现

对比代码可以看到，主要改进为：果蝇初始位置在区间[0,1]内产生，然后在求取距离倒数后，根据设定的边界[lb,ub]等比例放大距离的倒数，使得其值能够在设定的搜索空间内进行搜索。

改进果蝇优化算法的代码编写完成，所有涉及到果蝇优化算法的子函数都包括在如图所示的.m文件里。92目录果蝇优化算法

果蝇优化算法的应用案例3.3.1求解函数极值果蝇优化算法的应用案例问题：求解一组x1,x2，使得

函数的值最小。x1和x2取值范围均为[10,10]。

f(x1,x2)的搜索曲面绘制搜索曲面MATLAB代码观察函数图像求解思路分析：

利用果蝇优化算法对该问题进行求解，设置果蝇种群数量pop为50，最大迭代次数maxIter为100，由于是求解x1与x2，因此将果蝇的维度dim设定为2，果蝇上边界ub=[10,10]，果蝇下边界lb=[10,10]。根据问题设置适应度函数fun.m如下：果蝇优化算法的应用案例1.根据问题设定如下适应度函数fun.m3.3.1求解函数极值2.求解该问题的主函数main.m如下：果蝇优化算法的应用案例3.3.1求解函数极值果蝇优化算法的应用案例4.程序运行结果如图所示：3.输出结果如下：3.3.1求解函数极值结论分析：

从果蝇优化算法寻优的结果来看，使用果蝇优化算法得到的最终值（0.010584，0.01047），非常接近理论最优值（0，0），表明果蝇优化算法具有寻优能力强的特点。果蝇优化算法的应用案例3.3.2带约束问题求解：基于果蝇优化算法的压力容器设计-

问题描述

问题：压力容器设计问题的目标是使压力容器制作（配对、成型和焊接）成本最低，压力容器示意图如图所示，压力容器的两端都由封盖封住，头部一端的封盖为半球状。L是不考虑头部的圆柱体部分的截面长度，R是圆柱体的内壁半径，Ts和Th分别表示圆柱体的壁厚和头部的壁厚，L、R、Ts和Th即为压力容器设计问题的4个优化变量。压力容器示意图目标函数的约束条件表示如下：问题的目标函数表示如下：果蝇优化算法的应用案例3.3.2带约束问题求解：基于果蝇优化算法的压力容器设计-

适应度函数设计

1、通过果蝇优化算法寻优的边界对约束条件进行设置，即设置果蝇上边界为ub=[100,100,100,100]，果蝇的下边界为lb=[0,0,10,10]。其中，需要在适应度函数中对g1(x),g2(x),g3(x),g4(x)进行约束，若x1,x2,x3,x4不满足约束条件，则设置该适应度函数无效，并将其设置为inf。定义适应度函数fun.m如下：果蝇优化算法的应用案例3.3.2带约束问题求解：基于果蝇优化算法的压力容器设计-

果蝇优化算法主函数设计

2、通过上述分析，设置果蝇优化算法参数，设果蝇种群数量pop为50，最大迭代次数maxIter为500，将果蝇的维度dim设定为4（即x1,

x2,

x3,

x4），果蝇上边界ub=[100,100,100,100]，果蝇下边界lb=[0,0,10,10]，果蝇主函数main.m设计如下：果蝇优化算法的应用案例3.3.2带约束问题求解：基于果蝇优化算法的压力容器设计-

果蝇优化算法主函数设计4、程序运行结果如图所示。3、输出结果如下结论分析：

从程序运行结果图上来看，压力容器的适应度值不断减小，表明果蝇优化算法不断地对参数进行优化。最终输出了一组满足约束条件的压力容器参数，对压力容器的设计具有指导意义。智能优化算法及其MATLAB实现谢

谢智能优化算法及其MATLAB实现第四章萤火虫优化算法及其MATLAB实现103目录萤火虫优化算法萤火虫优化算法的MATLAB实现萤火虫优化算法的应用案例萤火虫优化算法的基本原理104目录萤火虫优化算法

萤火虫优化算法的基本原理105萤火虫优化算法的基本原理萤火虫优化算法（Fire-flyOptimizationAlgorithm，FA）是利用萤火虫发光吸引的机制来对问题进行寻优。通过个体之间的相互吸引移动，实现种族寻优。具体而言：总是会逐渐向更亮的萤火虫靠近，但是距离越远，亮度越低。萤火虫优化算法包含两个要素，即亮度和吸引度。亮度体现了萤火虫所处位置的远近并决定其移动方向，吸引度决定了萤火虫移动的距离，通过亮度和吸引度的不断更新，从而实现目标优化。核心思想：吸引寻优特性萤火虫的吸引行为106萤火虫优化算法的基本原理01萤火虫相对亮度计算02萤火虫的吸引度计算03萤火虫的位置更新关键步骤：相对亮度计算用来反映萤火虫对应解的优劣程度，模拟光在空间传播的衰减效应。它结合萤火虫固有亮度与个体间距离，得到实际感知到的光亮，为后续个体间对比筛选提供依据，区分解的好坏，是判断个体能否被其他个体追随的基础依据。萤火虫位置更新是种群迭代的核心操作，依据解的优劣关系，较差解的萤火虫向更优解个体发生位移。结合个体间距离实现位置迭代，同时引入随机扰动，避免算法陷入局部最优，不断调整个体在解空间中的坐标，逐步逼近目标最优解。吸引度计算基于相对亮度与距离衰减特性，表征一只萤火虫对另一只的吸引能力。吸引度随两者空间距离增大而降低，决定弱亮度萤火虫向较优个体移动的步长驱动力，控制种群个体位移方向与幅度，引导个体向优质解靠拢，支撑算法全局与局部搜索。萤火虫优化算法的基本原理4.1.1萤火虫的相对亮度计算●萤火虫的相对亮度为：其中，I0为萤火虫的最大亮度，与目标函数值相关，目标函数值越大，其自身亮度越强；γ为光强吸收系数，亮度会随着距离的增大和传播媒介的吸收而逐渐减弱。●ri,j为萤火虫i与萤火虫j的空间距离为：萤火虫优化算法的基本原理4.1.2萤火虫的吸引度计算萤火虫通过被亮度最高的吸引，依据距离衰减计算吸引能力，驱动差个体向优个体靠拢。●萤火虫的吸引度为：其中，β0为最大吸引度；γ为光强吸收系数，亮度会随着距离的增大和传播媒介的吸收而逐渐减弱；ri,j为萤火虫i与萤火虫j的空间距离。●萤火虫位置更新通过较差个体向优质个体移动，持续调整种群在解空间的位置，辅以随机扰动拓展搜索范围，迭代优化候选解，推动算法逐步逼近全局最优解。萤火虫i被吸引，向萤火虫j移动的位置更新公式为：其中，xi,

xj分别为萤火虫i和萤火虫j所处的空间位置；α为步长因子，取值范围为[0,1]；rand为在区间[0,1]内分布的均匀随机数果蝇优化算法的基本原理4.1.3萤火虫位置更新位置更新是萤火虫优化算法的核心迭代步骤,每一代都朝着最亮的萤火虫位置移动。萤火虫优化算法的基本原理4.1.4萤火虫优化算法流程01初始化参数初始化种群数量吸收系数最大吸引度边界约束值02迭代寻优循环适应度值：依据目标函数公式计算萤火虫个体适应度，筛选并保留种群最优位置。相对亮度：结合个体适应度与光吸收系数，按相对亮度公式求解，反映萤火虫实际发光水平。吸引度：利用吸引度公式通过衰减模型计算个体间吸引能力。萤火虫位置：调用位置更新公式，完成全部个体位置迭代更新03输出最优结果终止条件：达到预设的最大迭代次数。结果输出：输出全局最优值。萤火虫优化算法流程图111目录萤火虫优化算法

萤火虫优化算法的MATLAB实现萤火虫优化算法的MATLAB实现本部分将带领大家深入探索萤火虫优化算法的代码实现细节，从核心原理到实际编程，逐步掌握将FA理论转化为可执行程序的关键步骤，打通算法理论与工程实践的桥梁，让抽象的算法思想落地为可运行的代码。01种群初始化在解空间随机生成萤火虫初始种群，确定个体初始坐标，构建算法迭代搜索的基础样本集合。02适应度函数设计目标函数评价机制，对每个萤火虫对应解进行优劣评价，输出适应度数值，为亮度对比与寻优提供评判依据。03边界和约束建立搜索范围的边界限制，防止解在有效解空间，确保算法在合理范围内高效搜索。04代码实现整合所有核心逻辑，编写模块化的Matlab代码，实现算法的完整运行、结果输出与可视化展示。萤火虫优化算法的MATLAB实现4.2.1萤火虫位置初始化-MATLAB相关函数1.函数rand()是MATLAB自带的随机数生成函数，函数rand()会生成区间[0,1]内的随机数。2.若要一次性生成多个随机数，则可以这样使用函数rand(col,row)，其中col与row分别代表行和列，如rand(3,4)表示生成3行4列的范围在[0,1]之间的随机数。萤火虫优化算法的MATLAB实现3.若要生成指定范围内的随机数，则可以利用如下表达式表示其中，ub表示范围的上边界，lb表示范围的下边界。例如，在区间[0,4]内生成以下5个随机数，相关代码如下：4.2.1萤火虫位置初始化-MATLAB相关函数4.函数norm()求两组向量之间的距离。函数norm()的用法为：n=norm(A,p)，其功能是计算几种不同类型的矩阵范数，根据p的不同可得到不同的范数。函数norm()默认为二范式。例如，设向量A=[1,2]，B=[2,1]，两组向量之间的距离为diff=sqrt((1-2)^2+(2-1)^2)=1.414.利用函数norm()进行计算。萤火虫优化算法的MATLAB实现4.2.1萤火虫位置初始化-萤火虫种群位置初始化函数编写定义初始化函数名称为initialization，并单独编写成一个函数存放在initialization.m文件中。利用上节中的随机数生成方式，生成初始种群。萤火虫优化算法的MATLAB实现

举例：设定种群数量为10，每个粒子群维度均为5，每个维度的边界均为[5,5]，利用粒子群初始化函数初始种群。4.2.1萤火虫位置初始化-萤火虫种群位置初始化函数编写萤火虫优化算法的MATLAB实现4.2.2适应度函数

适应度函数即是优化问题的目标函数，根据不同应用设计相应的适应度函数。我们可以把自己设计的适应度函数单独写成一个函数，方便优化算法调用。一般将适应度函数命名为fun，这里我们定义一个适应度函数，并将其存放在fun.m文件中，这里适应度函数定义如下：举例：适应度值就是x所有值的平方和，如x=[1,2]，那么经过适应度函数计算后得到的值为5。萤火虫优化算法的MATLAB实现4.2.3边界检查和约束函数边界检查的作用是防止变量超过规定的范围，一般当变量大于上边界时，直接将其置为上边界；当变量小于下边界时，直接将其置为下边界。逻辑如下：定义边界检查函数为BoundaryCheck()，并将其保存为BoundaryCheck.m文件。萤火虫优化算法的MATLAB实现4.2.3边界检查和约束函数举例：例如，x=[1,2,3,4]，定义上边界为[1,1,1,1]，下边界为[1,1,1,1]。于是经过边界检查和约束后，x应为[1,1,1,1]。萤火虫优化算法的MATLAB实现4.2.4萤火虫优化算法的MATLAB代码

将整个萤火虫优化算法定义为一个模块，模块名称函数为FA，并将其存储为FA.m文件。整个萤火虫优化算法的MATLAB代码编写如下：萤火虫优化算法的MATLAB实现

至此，萤火虫优化算法的代码编写完成，所有涉及到萤火虫优化算法的子函数都包括在如图所示的.m文件里。122目录萤火虫优化算法

萤火虫优化算法的应用案例4.3.1求解函数极值萤火虫优化算法的应用案例问题：求解一组x1,x2，使得

函数的值最小。x1和x2取值范围均为[10,10]。

f(x1,x2)的搜索曲面绘制搜索曲面MATLAB代码观察函数图像求解思路分析：

利用萤火虫优化算法对该问题进行求解，设置萤火虫种群数量pop为50，最大迭代次数maxIter为100，由于是求解x1与x2，因此将萤火虫的维度dim设为2，萤火虫上边界ub=[10,10],下边界lb=[10,10]。根据问题设计如下适应度函数fun.m：萤火虫优化算法的应用案例1.根据问题设定如下适应度函数fun.m4.3.1求解函数极值2.求解该问题的主函数main.m如下：萤火虫优化算法的应用案例4.3.1求解函数极值萤火虫优化算法的应用案例4.程序运行结果如图所示：3.输出结果如下：4.3.1求解函数极值结论分析：

从萤火虫优化算法寻优的结果来看，利用萤火虫优化算法得到的最终值（0.0012132,0.00038834），非常接近理论最优值（0,0）,表明萤火虫优化算法具有寻优能力强的特点。萤火虫优化算法的应用案例4.3.2带约束问题求解：基于萤火虫优化算法的压力容器设计-

问题描述

问题：压力容器设计问题的目标是使压力容器制作（配对、成型和焊接）成本最低，压力容器示意图如图所示，压力容器的两端都由封盖封住，头部一端的封盖为半球状。L是不考虑头部的圆柱体部分的截面长度，R是圆柱体的内壁半径，Ts和Th分别表示圆柱体的壁厚和头部的壁厚，L、R、Ts和Th即为压力容器设计问题的4个优化变量。压力容器示意图目标函数的约束条件表示如下：问题的目标函数表示如下：萤火虫优化算法的应用案例4.3.2带约束问题求解：基于萤火虫优化算法的压力容器设计-

适应度函数设计

1、通过萤火虫优化算法寻优的边界进行设置，即设置萤火虫上边界ub=[100,100,100,100]，下边界lb=[0,0,10,10]。其中，需要在适应度函数中对g1(x),g2(x),g3(x),g4(x)进行约束，若x1,x2,x3,x4不满足约束条件，则设置该适应度函数无效，并将其设置为inf。定义适应度函数fun.m如下：萤火虫优化算法的应用案例4.3.2带约束问题求解：基于萤火虫优化算法的压力容器设计-

萤火虫优化算法主函数设计

2、通过上述分析，可以设置萤火虫优化算法的基本参数为：设萤火虫种群数量pop为50，最大迭代次数maxIter为500，萤火虫的维度dim为4（x1,

x2,

x3,

x4），萤火虫上边界ub=[100,100,100,100]，下边界lb=[0,0,10,10]，萤火虫主函数main.m设计如下：萤火虫优化算法的应用案例4.3.2带约束问题求解：基于萤火虫优化算法的压力容器设计-

萤火虫优化算法主函数设计4、程序运行结果如图所示。3、输出结果如下结论分析：

从收敛曲线上来看，压力容器适应度函数值不断减小，表明萤火虫优化算法不断地对参数进行优化。最终输出一组满足约束条件的压力容器参数，对压力容器的设计具有指导意义。智能优化算法及其MATLAB实现谢

谢智能优化算法及其MATLAB实现第五章灰狼优化算法及其MATLAB实现133目录灰狼优化算法灰狼优化算法的MATLAB实现灰狼优化算法的应用案例灰狼优化算法的基本原理134目录灰狼优化算法

灰狼优化算法的基本原理135灰狼优化算法的基本原理灰狼优化算法（GreyWolfOptimization，GWO）是利用灰狼群体狩猎与严格社会等级机制来对问题进行寻优。在狼群中，首领狼α负责决策；次之β狼负责协助决策；再次之δ则反馈任务等，最后ω狼负责执行任务。综合前三者位置更新自身，并加入随机扰动以探索新区域。灰狼算法包含两个要素，即社会等级和狩猎机制。社会等级体现了狼群中个体的领导地位，并决定其移动方向--下层狼向α、β、δ等优势个体逐步靠近；狩猎机制决定了狼群位置更新的距离与方式。通过社会等级划分与狩猎位置的不断更新，从而实现目标优化。核心思想：协作狩猎特性灰狼的社会等级制度（1）跟踪、追逐和接近猎物。（2）追捕、包围和骚扰猎物，直到猎物停止移动。（3）攻击猎物。灰狼狩猎过程136灰狼优化算法的基本原理01包围猎物02狩猎关键步骤：3攻击猎物（开发）和搜索猎物（勘探）当收敛系数向量<1时，狼群收缩包围圈发动攻击，在已找到的较优区域附近做精细的局部搜索，提高解的精度，逼近真正的全局最优。对应算法的*收敛（开发）阶段*，负责"把答案磨得更准"。当收敛系数向量>1时，狼群主动偏离当前猎物，分散到更广阔的区域去搜寻新猎物，避免过早收敛而陷入局部最优。对应算法的*发散（勘探）阶段*，负责"跑得更远、找更好的解"。由α、β、δ三只优势狼共同"判断"猎物位置，其余狼以三者位置的加权综合为参照更新自身位置，逐步逼近猎物。作用是让最优信息在种群中传播，引导整个狼群向最优解方向合围移动。确定猎物（最优解）方位后，狼群在α、β、δ的引导下迅速向猎物收拢，缩小搜索范围，把整个种群圈进最优解所在的局部区域，为后续猎杀做准备。相当于先"锁定目标、收缩包围圈"。灰狼优化算法的基本原理5.1.1包围猎物●在狩猎过程中，将灰狼围捕猎物的行为定义为：其式，

表示灰狼与猎物之间的距离，

是灰狼的位置更新公式。其中，t是目前的迭代次数。

和

是系数向量，

和

分别是猎物的位置向量和灰狼的位置向量。●和

的计算公式为：其中，

是收敛因子，随着迭代次数从2线性减小到0,

和

的模取[0,1]之间的随机数。灰狼优化算法的基本原理5.1.2狩猎狩猎—位置更新机制：●识别猎物：灰狼能识别猎物位置并将其包围，这是寻优的基础能力。●核心难点：在优化问题的决策空间中，我们并不知道最优解（猎物）究竟在哪里。●关键假设：为模拟灰狼狩猎行为，假设α、β、δ三只狼更了解猎物的潜在位置，即它们更接近最优解。●保存最优解：算法保存迄今找到的3个最优解决方案，对应α、β、δ三只狼的位置。●判断猎物方位：利用这3者的位置综合判断猎物的所在位置，作为全局最优解的近似依据。●引导种群更新：强迫其他灰狼个体（包括ω狼）依据α、β、δ的位置来更新自身位置，逐渐逼近猎物（最优解）。概括：因为最优解未知，就用当前最优的α、β、δ三只狼作为"猎物方位"的参考，让整个狼群（包括ω）向它们的位置靠拢更新，从而逐步逼近全局最优。这也正是"狼群个体跟踪猎物"的原理。狼群内个体跟踪猎物的原理图灰狼优化算法的基本原理5.1.2狩猎狼群内个体跟踪猎物的原理图●灰狼个体跟踪猎物的数学模型描述如下：其中，

分别表示

与其他个体间的距离向量。

分别表示的当前位置向量；

是随机向量，

是当前灰狼的位置向量。●狼群中个体ω分别朝α，β，δ前进的步长和方向：●ω的最终位置：●核心逻辑：当|A|<1时，狼群向猎物发起攻击，完成狩猎。●触发条件：猎物停止移动时，灰狼通过攻击完成狩猎过程。●模拟逼近：为模拟逼近猎物的过程，收敛因子a逐渐减小，A的波动范围随之减小。●线性递减：迭代中a从2线性下降到0，对应A的值在区间[-a,a]内变化。●位置可任意落点：当A位于[-a,a]区间内时，灰狼的下一个位置可以位于当前位置和猎物位置之间的任意位置。●发动攻击：当|A|<1时，狼群收缩包围圈，向猎物（最优解）发起攻击，实现局部精细搜索、收敛逼近最优解。灰狼优化算法的基本原理5.1.3攻击猎物（开发）灰狼攻击猎物就是为了得到最优的解决方案。攻击猎物●核心逻辑：强迫灰狼与猎物（局部最优解）分离，扩大搜索范围。●触发条件：当|A|>1时，强迫灰狼与当前猎物分离。●搜索依据：灰狼依据α、β、δ三只最优狼的位置来搜索猎物（而非猎物本身位置），因为这三者被认为最接近猎物的潜在位置。●位置更新公式：每只狼分别根据α、β、δ的位置计算三个候选位置X1、X2、X3，再取平均值更新自身位置，让种群围绕三个最优解区域分散搜索。●寻找更优：希望找到更合适的猎物（全局最优解），避免陷入局部最优。●辅助权重：C为[0,2]内随机权重，且非线性减小，全程提供全局搜索能力，在算法难以跳出局部最优时发挥关键作用。灰狼优化算法的基本原理5.1.4搜索猎物（勘探）寻找猎物灰狼优化算法的基本原理攻击猎物（开发）和搜索猎物（勘探）阶段判断条件行为目的攻击猎物（开发）|A|<1收缩包围、向猎物逼近攻击局部精细搜索、收敛到最优搜索猎物（勘探）|A|>1与猎物分离、扩大搜索范围全局探索、跳出局部最优灰狼优化算法的基本原理5.1.5灰狼优化算法流程01初始化参数初始化灰狼种群初始化系数向量

和初始化收敛因子02迭代寻优循环计算灰狼个体的适应度值，保存适应的最好的前3只狼作为α、β、δ

。灰狼位置更新：依据α、β、δ的位置，依据狩猎阶段的位置更新公式，更新当前灰狼种群中每只狼的位置。更新参数：更新a、A和C（其中a从2线性递减到0；A、C根据包围阶段的公式进行更新）。03输出最优结果终止条件：达到预设的最大迭代次数。结果输出：输出全局最优值。灰狼优化算法流程图144目录灰狼优化算法

灰狼优化算法的MATLAB实现灰狼优化算法的MATLAB实现本部分将带领大家深入探索灰狼优化算法的代码实现细节，从核心原理到实际编程，逐步掌握将GWO理论转化为可执行程序的关键步骤，打通算法理论与工程实践的桥梁，让抽象的算法思想落地为可运行的代码。01种群初始化随机生成N只灰狼个体，每只代表决策空间中的一个候选解。在决策变量上下界内均匀随机分布，使种群散布于整个搜索空间，为迭代提供多样起点，避免起点集中陷入局部最优。02适应度函数将每只狼的位置映射为数值，评价解的优劣并排序，选出适应度最好的α、β、δ三只狼作为首领，引导整个狼群向高适应度区域收敛，同时用于判断停止条件，输出最优解。03边界和约束建立搜索范围的边界限制，防止解在有效解空间，确保算法在合理范围内高效搜索。04代码实现整合所有核心逻辑，编写模块化的Matlab代码，实现算法的完整运行、结果输出与可视化展示。灰狼优化算法的MATLAB实现5.2.1灰狼位置初始化-MATLAB相关函数1.函数rand()是MATLAB自带的随机数生成函数，函数rand()会生成区间[0,1]内的随机数。2.若要一次性生成多个随机数，则可以这样使用函数rand(col,row)，其中col与row分别代表行和列，如rand(3,4)表示生成3行4列的范围在[0,1]之间的随机数。其中，ub表示范围的上边界，lb表示范围的下边界。灰狼优化算法的MATLAB实现3.若要生成指定范围内的随机数，则可以利用如下表达式表示：5.2.1灰狼位置初始化-MATLAB相关函数例如，在区间[0,4]内生成以下5个随机数，相关代码如下：灰狼优化算法的MATLAB实现5.2.1灰狼位置初始化-灰狼种群位置初始化函数编写定义初始化函数名称为initialization，并单独编写成一个函数存放在initialization.m文件中。利用上节中的随机数生成方式，生成初始种群。灰狼优化算法的MATLAB实现

举例：设定种群数量为10，每个灰狼维度均为5，每个维度的边界均为[5,5]，利用初始化函数初始种群。5.2.1灰狼位置初始化-灰狼种群位置初始化函数编写灰狼优化算法的MATLAB实现5.2.2适应度函数

适应度函数即是优化问题的目标函数，根据不同应用设计相应的适应度函数。我们可以把自己设计的适应度函数单独写成一个函数，方便优化算法调用。一般将适应度函数命名为fun，这里我们定义一个适应度函数，并将其存放在fun.m文件中，这里适应度函数定义如下：举例：适应度值就是x所有值的平方和，如x=[1,2]，那么经过适应度函数计算后得到的值为5。灰狼优化算法的MATLAB实现5.2.3边界检查和约束函数边界检查的作用是防止变量超过规定的范围，一般当变量大于上边界时，直接将其置为上边界；当变量小于下边界时，直接将其置为下边界。逻辑如下：定义边界检查函数为BoundaryCheck()，并将其保存为BoundaryCheck.m文件。灰狼优化算法的MATLAB实现5.2.3边界检查和约束函数举例：例如，x=[1,2,3,4]，定义上边界为[1,1,1,1]，下边界为[1,1,1,1]。于是经过边界检查和约束后，x应为[1,1,1,1]。灰狼优化算法的MATLAB实现5.2.4灰狼优化算法的MATLAB代码

将整个灰狼优化算法定义为一个模块，模块名称函数为GWO，并将其存储为GWO.m文件。整个灰狼优化算法的MATLAB代码编写如下：灰狼优化算法的MATLAB实现灰狼优化算法的MATLAB实现

至此，灰狼优化算法的代码编写完成，所有涉及到灰狼优化算法的子函数均包括在如图所示的.m文件里。156目录灰狼优化算法

灰狼优化算法的应用案例5.3.1求解函数极值灰狼优化算法的应用案例问题：求解