智能寻优算法

㈠ 智能优化算法：灰狼优化算法

@[toc]
摘要：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。

灰狼属于犬科动物，被认为是顶级的掠食者，它们处于生物圈食物链的顶端。灰狼大多喜欢群居，每个群体中平均有5-12只狼。特别令人感兴趣的是，它们具有非常严格的社会等级层次制度，如图1所示。金字塔第一层为种群中的领导者，称为 α 。在狼群中 α 是具有管理能力的个体，主要负责关于狩猎、睡觉的时间和地方、食物分配等群体中各项决策的事务。金字塔第二层是 α 的智囊团队，称为 β 。 β 主要负责协助α 进行决策。当整个狼群的 α 出现空缺时，β 将接替 α 的位置。 β 在狼群中的支配权仅次于 α，它将 α 的命令下达给其他成员，并将其他成员的执行情况反馈给 α 起着桥梁的作用。金字塔第三层是 δ ，δ 听从 α 和 β 的决策命令，主要负责侦查、放哨、看护等事务。适应度不好的 α 和 β 也会降为 δ 。金字塔最底层是 ω ，主要负责种群内部关系的平衡。

<center>图1.灰狼的社会等级制度

此外，集体狩猎是灰狼的另一个迷人的社会行为。灰狼的社会等级在群体狩猎过程中发挥着重要的作用，捕食的过程在 α 的带领下完成。灰狼的狩猎包括以下 3个主要部分：
1）跟踪、追逐和接近猎物；
2）追捕、包围和骚扰猎物，直到它停止移动；
3）攻击猎物

在狩猎过程中，将灰狼围捕猎物的行为定义如下：

式（1）表示个体与猎物间的距离，式（2）是灰狼的位置更新公式。其中, 是目前的迭代代数， 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 的计算公式如下：

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。

灰狼能够识别猎物的位置并包围它们。当灰狼识别出猎物的位置后，β 和 δ 在 α 的带领下指导狼群包围猎物。在优化问题的决策空间中，我们对最佳解决方案（猎物的位置）并不了解。因此，为了模拟灰狼的狩猎行为，我们假设 α ，β 和 δ 更了解猎物的潜在位置。我们保存迄今为止取得的3个最优解决方案，并利用这三者的位置来判断猎物所在的位置，同时强迫其他灰狼个体（包括 ω ）依据最优灰狼个体的位置来更新其位置，逐渐逼近猎物。狼群内个体跟踪猎物位置的机制如图2所示。

<center>图2.GWO 算法中灰狼位置更新示意图

灰狼个体跟踪猎物位置的数学模型描述如下:

其中， 分别表示分别表示 α ， β 和 δ 与其他个体间的距离。 分别代表 α ， β 和 δ 的当前位置； 是随机向量， 是当前灰狼的位置。

式(6)分别定义了狼群中 ω 个体朝向 α ，β 和 δ 前进的步长和方向，式(7)定义了 ω 的最终位置。

当猎物停止移动时，灰狼通过攻击来完成狩猎过程。为了模拟逼近猎物， 的值被逐渐减小，因此 的波动范围也随之减小。换句话说，在迭代过程中，当 的值从2线性下降到0时，其对应的 的值也在区间[-a,a]内变化。如图3a所示，当 的值位于区间内时，灰狼的下一位置可以位于其当前位置和猎物位置之间的任意位置。当 时，狼群向猎物发起攻击（陷入局部最优）。

灰狼根据 α ,β 和 δ 的位置来搜索猎物。灰狼在寻找猎物时彼此分开，然后聚集在一起攻击猎物。基于数学建模的散度，可以用 大于1 或小于-1 的随机值来迫使灰狼与猎物分离，这强调了勘探（探索）并允许 GWO 算法全局搜索最优解。如图3b所示， 强迫灰狼与猎物（局部最优）分离，希望找到更合适的猎物（全局最优）。GWO 算法还有另一个组件 来帮助发现新的解决方案。由式(4)可知， 是[0,2]之间的随机值。 表示狼所在的位置对猎物影响的随机权重， 表示影响权重大，反之，表示影响权重小。这有助于 GWO算法更随机地表现并支持探索，同时可在优化过程中避免陷入局部最优。另外，与 不同 是非线性减小的。这样，从最初的迭代到最终的迭代中，它都提供了决策空间中的全局搜索。在算法陷入了局部最优并且不易跳出时， 的随机性在避免局部最优方面发挥了非常重要的作用，尤其是在最后需要获得全局最优解的迭代中。

<center>图4.算法流程图

[1] Seyedali Mirjalili,Seyed Mohammad Mirjalili,Andrew Lewis. Grey Wolf Optimizer[J]. Advances in Engineering Software,2014,69.

[2] 张晓凤,王秀英.灰狼优化算法研究综述[J].计算机科学,2019,46(03):30-38.

https://mianbaoo.com/o/bread/Z5ecmZc=
文献复现：
文献复现：基于翻筋斗觅食策略的灰狼优化算法（DSFGWO）
[1]王正通,程凤芹,尤文,李双.基于翻筋斗觅食策略的灰狼优化算法[J/OL].计算机应用研究:1-5[2021-02-01]. https://doi.org/10.19734/j.issn.1001-3695.2020.04.0102 .

文献复现：基于透镜成像学习策略的灰狼优化算法（LIS-GWO）
[1]龙文,伍铁斌,唐明珠,徐明,蔡绍洪.基于透镜成像学习策略的灰狼优化算法[J].自动化学报,2020,46(10):2148-2164.

文献复现：一种优化局部搜索能力的灰狼算法（IGWO）
[1]王习涛.一种优化局部搜索能力的灰狼算法[J].计算机时代,2020(12):53-55.

文献复现：基于自适应头狼的灰狼优化算法（ALGWO）
[1]郭阳,张涛,胡玉蝶,杜航.基于自适应头狼的灰狼优化算法[J].成都大学学报(自然科学版),2020,39(01):60-63+73.

文献复现：基于自适应正态云模型的灰狼优化算法 （CGWO）
[1]张铸,饶盛华,张仕杰.基于自适应正态云模型的灰狼优化算法[J/OL].控制与决策:1-6[2021-02-08]. https://doi.org/10.13195/j.kzyjc.2020.0233 .

文献复现：改进非线性收敛因子灰狼优化算法
[1]王正通,尤文,李双.改进非线性收敛因子灰狼优化算法[J].长春工业大学学报,2020,41(02):122-127.

文献复现：一种基于收敛因子改进的灰狼优化算法
[1]邢燕祯,王东辉.一种基于收敛因子改进的灰狼优化算法[J].网络新媒体技术,2020,9(03):28-34.

文献复现:基于莱维飞行和随机游动策略的灰狼算法（GWOM ）
[1]李阳,李维刚,赵云涛,刘翱.基于莱维飞行和随机游动策略的灰狼算法[J].计算机科学,2020,47(08):291-296.

文献复现:一种改进的灰狼优化算法(EGWO)
[1]龙文,蔡绍洪,焦建军,伍铁斌.一种改进的灰狼优化算法[J].电子学报,2019,47(01):169-175.

文献复现:改进收敛因子和比例权重的灰狼优化算法(CGWO)
[1]王秋萍,王梦娜,王晓峰.改进收敛因子和比例权重的灰狼优化算法[J].计算机工程与应用,2019,55(21):60-65+98.

文献复现:一种改进非线性收敛方式的灰狼优化算法研究(CGWO)
[1]谈发明,赵俊杰,王琪.一种改进非线性收敛方式的灰狼优化算法研究[J].微电子学与计算机,2019,36(05):89-95.

文献复现:一种基于Tent 映射的混合灰狼优化的改进算法(PSOGWO)
[1]滕志军,吕金玲,郭力文,许媛媛.一种基于Tent映射的混合灰狼优化的改进算法[J].哈尔滨工业大学学报,2018,50(11):40-49.

文献复现:基于差分进化与优胜劣汰策略的灰狼优化算法(IGWO)
[1]朱海波,张勇.基于差分进化与优胜劣汰策略的灰狼优化算法[J].南京理工大学学报,2018,42(06):678-686.

文献复现:基于 Iterative 映射和单纯形法的改进灰狼优化算法(SMIGWO)
[1]王梦娜,王秋萍,王晓峰.基于Iterative映射和单纯形法的改进灰狼优化算法[J].计算机应用,2018,38(S2):16-20+54.

文献复现:一种基于混合策略的灰狼优化算法(EPDGWO)
[1]牛家彬,王辉.一种基于混合策略的灰狼优化算法[J].齐齐哈尔大学学报(自然科学版),2018,34(01):16-19+32.

文献复现:基于随机收敛因子和差分变异的改进灰狼优化算法(IGWO)
[1]徐松金,龙文.基于随机收敛因子和差分变异的改进灰狼优化算法[J].科学技术与工程,2018,18(23):252-256.

文献复现:一种基于差分进化和灰狼算法的混合优化算法(DEGWO)
[1]金星,邵珠超,王盛慧.一种基于差分进化和灰狼算法的混合优化算法[J].科学技术与工程,2017,17(16):266-269.

文献复现:协调探索和开发能力的改进灰狼优化算法(IGWO)
[1]龙文,伍铁斌.协调探索和开发能力的改进灰狼优化算法[J].控制与决策,2017,32(10):1749-1757.

文献复现:基于Cat混沌与高斯变异的改进灰狼优化算法(IGWO)
[1]徐辰华,李成县,喻昕,黄清宝.基于Cat混沌与高斯变异的改进灰狼优化算法[J].计算机工程与应用,2017,53(04):1-9+50.

文献复现:具有自适应搜索策略的灰狼优化算法(SAGWO)
[1]魏政磊,赵辉,韩邦杰,孙楚,李牧东.具有自适应搜索策略的灰狼优化算法[J].计算机科学,2017,44(03):259-263.

文献复现:采用动态权重和概率扰动策略改进的灰狼优化算法(IGWO)
[1]陈闯,Ryad Chellali,邢尹.采用动态权重和概率扰动策略改进的灰狼优化算法[J].计算机应用,2017,37(12):3493-3497+3508.

文献复现:具有自适应调整策略的混沌灰狼优化算法(CLSGWO)
[1]张悦,孙惠香,魏政磊,韩博.具有自适应调整策略的混沌灰狼优化算法[J].计算机科学,2017,44(S2):119-122+159.

文献复现:强化狼群等级制度的灰狼优化算法(GWOSH)
[1]张新明,涂强,康强,程金凤.强化狼群等级制度的灰狼优化算法[J].数据采集与处理,2017,32(05):879-889.

文献复现:一种新型非线性收敛因子的灰狼优化算法(NGWO)
[1]王敏,唐明珠.一种新型非线性收敛因子的灰狼优化算法[J].计算机应用研究,2016,33(12):3648-3653.

文献复现:重选精英个体的非线性收敛灰狼优化算法(EGWO)
[1]黎素涵,叶春明.重选精英个体的非线性收敛灰狼优化算法[J].计算机工程与应用,2021,57(01):62-68.

https://mianbaoo.com/o/bread/aZ2Wl54=

㈡ IA优化算法是什么

IA优化算法指的是免疫算法是模仿生物免疫机制，结合基因的进化机理，人工构造出的一种新型智能优化算法。它具有一般免疫系统的特征，采用群体搜索策略，通过迭代计算，最终以较大的概率得到问题的最优解。

相比较于其他算法，免疫算法利用自身产生多样性和维持机制的特点，保证了种群的多样性，克服了一般寻优过程（特别是多峰值的寻优过程）中不可避免的“早熟”问题，可以求得全局最优解。免疫算法具有自适应性、随机性、并行性、全局收敛性、种群多样性等优点。

免疫算法主要模块：

抗原识别与初始抗体产生。根据待优化问题的特点设计合适的抗体编码规则，并在此编码规则下利用问题的先验知识产生初始抗体种群。

抗体评价。对抗体的质量进行评价，评价准则主要为抗体亲和度和个体浓度，评价得出的优质抗体将进行进化免疫操作，劣质抗体将会被更新。

免疫操作。利用免疫选择、克隆、变异、克隆抑制、种群刷新等算子模拟生物免疫应答中的各种免疫操作，形成基于生物免疫系统克隆选择原理的进化规则和方法，实现对各种最优化问题的寻优搜索。

㈢ 在寻优求解过程中，有蚁群算法和遗传算法，用哪种方法更能通俗易懂，容易让人明白

说实话，这两种方法都是智能仿生算法，都比普通的算法要稍微复杂一些。我不知道你要解决什么寻优问题，但我推荐你还是用遗传算法吧。遗传算法应用比蚁群算法要广泛，了解的人也较多。蚁群算法更适合解决寻路问题、旅行商问题等。

㈣ 什么是智能优化算法

智能优化算法是一种启发式优化算法，包括遗传算法、蚁群算法、禁忌搜索算法、模拟退火算法、粒子群算法等。·智能优化算法一般是针对具体问题设计相关的算法，理论要求弱，技术性强。一般，我们会把智能算法与最优化算法进行比较，相比之下，智能算法速度快，应用性强。

㈤ 遗传算法出来的结果不稳定

有两种可能：1.有多种组合等于X，因此组合有多种
2.你的遗传算法容易局部收敛

对于2解决办法：增加判断，当种群最优染色体一直不变持续N代，重新初始化一个种群，或者往种群中注入新的随机染色体来跳出局部收敛区域。

对补充的回答：
遗传算法本身就是一种智能寻优的随机算法，搜索过程中存在随机性，在具有多个最优解的情况下，很难每次都寻优到同一组参数组合，因为每次的搜索路径是不同的。

如果楼主真是寻求最后结果一样的效果的话，可以先得到一组最优组合数字集合S，按从小到大排列处理后变为S'(n1,n2...ni)

然后搜索过程中的某组数字集合Q的目标函数
既满足：
相加的和最接近X，
还要满足：
1.数字个数=i
2.临时将Q从小达到排列，各个位置上的元素和S'的元素最接近

这样可能会增加很多计算时间，但理论上是可以每次都得到S

㈥ 智能优化算法：猫群优化算法

@[toc]
摘要：猫群算法 ( Cat Swarm Optimization，缩写为CSO)是由 Shu － An Chu 等人在 2006 年首次提出来的一种基于猫的行为的全局优化算法具有收敛快，寻优能力强的特点。

在猫群算法中，猫即待求优化问题的可行解。猫群算法将猫的行为分为两种模式，一种就是猫在懒散、环顾四周状态时的模式称之为搜寻模式;另一种是在跟踪动态目标时的状态称之为跟踪模式。猫群算法中，一部分猫执行搜寻模式，剩下的则执行跟踪模式，两种模式通过结合率 MR(Mixture Ratio)进行交互，MR 表示执行跟踪模式下的猫的数量在整个猫群中所占的比例，在程序中 MR应为一个较小的值。利用猫群算法解决优化问题，首先需要确定参与优化计算的个体数，即猫的数量。每只猫的属性(包括由M维组成的自身位置)、每一维的速度、对基准函数的适应值及表示猫是处于搜寻模式或者跟踪模式的标识值。当猫进行完搜寻模式和跟踪模式后，根据适应度函数计算它们的适应度并保留当前群体中最好的解。之后再根据结合率随机地将猫群分为搜寻部分和跟踪部分的猫，以此方法进行迭代计算直到达到预设的迭代次数。

搜寻模式用来模拟猫的当前状态，分别为休息、四处查看、搜寻下一个移动位置。在搜寻模式中，定义了 4 个基本要素:记忆池(SMP)、变化域(SRD)、变化数(CDC)、自身位置判断(SPC)。SMP 定义了每一只猫的搜寻记忆大小，表示猫所搜寻到的位置点，猫将根据适应度大小从记忆池中选择一个最好的位置点。SRD 表示选择域的变异率，搜寻模式中，每一维的改变范围由变化域决定，根据经验一般取值为0.2。CDC 指每一只猫将要变异的维数的个数，其值是一个从 0 到总维数之间的随机值。SPC 是一个布尔值，表示猫是否将已经过的位置作为将要移动到的候选位置之一，其值不影响 SMP 的取值。

(1)将当前位置复制 份副本放在记忆池中， ，即记忆池的大小为 ;如果 SPC 的值为真，令 ，将当前位置保留为候选解。
(2)对记忆池中的每个个体副本，根据 的大小，随机地对当前值加上或者减去 (变化域由百分率表示)，并用更新后的值来代替原来的值。
(3)分别计算记忆池中所有候选解的适应度值。
(4)从记忆池中选择适应度值最高的候选点来代替当前猫的位置，完成猫的位置更新。

跟踪模式用来模拟猫跟踪目标时的情况。通过改变猫的每一维的速度(即特征值)来更新猫的位置，速度的改变是通过增加一个随机的扰动来实现的。

(1)速度更新。整个猫群经历过的最好位置，即目前搜索到的最优解，记做 。每只猫的速度记做 ，每只猫根据公式(1)来更新自己的速度。

表示更新后第 只猫在第 维的速度值， 为维数大小; 表示猫群中当前具有最好适应度值的猫的位置; 指当前第 只猫在第 维的位置， 是个常量，其值需要根据不同的问题而定。 是一个［0，1］之间的随机值。

(2)判断每一维的速度变化是否都在SRD内。给每一维的变异加一个限制范围，是为了防止其变化过大，造成算法在解空间的盲目随机搜索。SRD 在算法执行之前给定，如果每一维改变后的值超出了 SRD 的限制范围，则将其设定为给定的边界值。

(3)位置更新。根据公式(2)利用更新后的速度来更新猫的位置。

式中， 表示第 只猫更新后的位置。

算法流程图如下：

[1]马知也,施秋红.猫群算法研究综述[J].甘肃广播电视大学学报,2014,24(02):41-45.

https://mianbaoo.com/o/bread/aJWcl5s=

㈦ 图像处理中应用的寻优算法有哪些

高级点的智能算法包括粒子算法、卡尔曼、蚁群、退火、神经网络....
常规的经典算法包括梯度、Hessian 矩阵、拉格朗日乘数、单纯形法、梯度下降法.....
还可以看一下凸优化、线性规划等等

㈧ 求助matlab编程！！！算法寻优

你好

像这样的求最小值，可以用很多算法，可以用命令窗口编程，或者利用优化工具箱。对于初学者，可以利用optimization toolbox里面算法，只要自己写一个目标函数就可以了。

一般的有约束多变量函数都可以通过fmincon函数求解得到，但是如果初始值选取不恰当也可以可以陷入局部最优。全局最优搜索能力比较强的可能属智能算法了，如遗传算法等等下面我采用fmincon函数尝试求解：

目标函数写好好，保存为funmint.m文件，函数如下;

functionZ=funmint(x)
x1=x(1);
x2=x(2);
x3=x(3);
x4=x(4);
S1=x(5);
S2=x(6);
eg=64.11-0.043-0.49*x2-0.06*x3-0.075*x4-3.258e-4*x1*x2+9.712e-5*x1*x3...
+2.781e-4*x1*x4-4.738e-5*x2*x3-1.212e-3*x2+6.053e-4*x3*x4+...
7.775e-4*x1^2+1.125e-3*x2^2-8.665e-4*x3^2+5.89e-3*x4^2;
sd=-6.02953+0.03583*x1+0.067595*x2-2.90115e-3*x3-0.053463*x4-1.7325e-4*x1*x2+...
1.1525e-4*x1*x3-7.4375e-5*x1*x4-6.3375e-5*x2*x3+4.03125e-4*x2*x4-...
3.16562e-4*x3*x4+3.625e-6*x1^2-1.07375e-4*x2^2-2.68437e-5*x3^2-3.27344e-4*x4^2;
Z=sd+1e7*abs(-eg+0.0518*sd+S1)+1e7*abs(0.1-eg-0.0518*sd+S2);

在命令窗口中输入下面这些求解代码：

clear
lb=[60235402100];
ub=[802558029InfInf];
x0=[7024560251010];
options=optimset('Algorithm','active-set');
[x,fval]=fmincon(@funmint,x0,[],[],[],[],lb,ub,[],options)

可以得到一个最小值，以及对应的6个变量如下：

x=[62.9860 244.9435 74.5278 21.3001 1.8670 2.0691]

最小值为：

fval=3.4326

当然你也可以换用其他函数，只要把fmincon换了就可以。优化函数结构都差不多。

希望对你有帮助！

㈨ 华为DriveONE加持，打造“强动力”“超舒适”全新AITO

中国，深圳，2021年12月23日，全新高端智慧汽车品牌AITO正式发布。值得注意的是，AITO首款车型问界M5搭载华为DriveONE动力域解决方案，在高效率的前提下还能实现强动力和超舒适这两大特性。前异步和后同步双电机驱动，使百公里加速达到4秒级别，在实际测试中可实现0-100km/h连续加速20次，支持180km/h高速巡航电机不过温，为用户打造极致驾驶体验。 

在“双碳”目标的指引下，汽车产业正在向新能源和智能化的方向转型。华为以“数字化技术+数字化平台”为抓手，与汽车产业深度融合，加速汽车产业电动化进程。华为DriveONE全栈动力域解决方案囊括了电驱动系统、车载集成电源和电池管理系统，这套系统包含电机、MCU、PDU、OBC、DC/DC、减速器、AI BMS等核心部件。华为深耕电力电子底层基础技术30多年，已拥有较强的研发实力以及相关产品领域的技术背景，助力DriveONE成为行业领先的解决方案。

AITO问界M5通过搭载华为DriveONE 动力域解决方案，实现了强动力、超舒适、高安全、灵活便利的豪华级驾乘体验。

· 高速电机加持智能油冷，释放更大驾驶空间，打造更强动力体验

在驾驶过程中，由于机械能损耗和电流的热效应，电机的线圈绕组、转子以及电机转子与齿轮结合部等都极易产生热量，若热量不被及时带走，将会导致电机温度过高。高温会烧坏绕组绝缘层导致电机短路从而毁坏，也会使得转子的磁性消失，停止转动引发事故，因此动力总成的热管理技术非常关键。

目前存在水冷和油冷两种电机冷却方式。采用水冷技术，出于绝缘的考虑，绕组和冷却液中间隔了一层水套，热量传递效率低，难以满足电机高速转动下的散热要求。华为DriveONE三合一电驱采用效果更佳的智能油冷技术，实现电驱超小体积、超轻重量、超长寿命、超优性能。

华为DriveONE车载充电系统支持3.5kVA的对外放电功能，具备高精度的绝缘逆变检测功能，可精确地识别到漏电流并告警中断，切实保障V2L/V2V用电安全。

华为DriveONE目前已经搭载在十多家主流车企的中高端车型上，持续引领电动汽车动力域产业的发展。华为智能电动将秉承“以客户为中心”的初心，继续砥砺前行，帮助车企造好车，为全球用户提供更优质的电动出行产品。