基于多目标灰色狼群算法的无功电压优化

算法改进与应用狼群优化算法 狼群改进算法 TSP问题

受 灰 狼 群 体 捕 食 行 为 的 启 发，Mirjalili等[1]于 2014年提出了一种新型群体智能优化算法：灰狼优化算法。GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。 GWO算法具有结构简单、需要调节的参数少，容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能

狼群算法求解无人机航迹规划问题

狼群算法wpa 原始代码

初级学习算法可用

针对狼群算法求解复杂函数时容易陷入局部极值、计算耗费大、学习能力差等局限性, 提出一种狼群智能算法. 首先, 通过构建智能猎杀行为提高算法自适应学习能力, 降低算法的计算耗费, 构建双高斯函数更新法以增强算法全局搜索能力; 然后, 运用马尔科夫过程证明狼群智能算法的收敛性; 最后, 对多种典型测试函数进行仿真实验并与多种智能算法进行对比分析. 实验结果表明, 所提出算法具有全局收敛性强、计算耗费低、寻优精度高等优势.

狼群算法matlab代码，经典的狼群算法matlab实现附有注释

针对空中群的作战任务分配问题，首先对战场环境进行了假设。 然后分别分析了战场的两个多属性主体，群飞机和攻击目标。第二，在综合考虑隐身和反隐身，攻击和反击的基础上，多车通过分析SA承担侦察，攻击和评估任务的成本和收益，建立了目标功能。 然后，在考虑了弹药限度等约束条件的基础上，建立了具有多目标，多任务，。多约束，异构多飞机特性的任务分配模型。为了更好地传达模型信息，提出了一种新的整数编码方法，提出了一种整数编码的狼群算法（ICWPA）来求解任务分配模型。 仿真结果表明，该模型和算法可以有效地解决空中群的作战任务分配问题。

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题，提出一种基于差分进化的改进狼群算法（DWPA）。首先，通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进，在降低算法计算耗费的同时提高了算法的全局搜索能力；然后，运用马尔可夫链理论证明了DWPA的收敛性；最后，对13个测试函数进行寻优测试，并与WPA等四种算法进行对比分析。测试结果表明，DWPA具有良好的鲁棒性和全局搜索能力，在求解多峰、高维、不可分函数方面的寻优能力尤为突出。