基于改进搜索策略的狼群算法

基于改进灰狼算法的多任务优化算法史光伟，王启任（天津工业大学电子与信息工程学院，天津300387）摘要：针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题，提出一种基于改进灰狼算法的多任务优化算法（improved grey wolf algorithm based multitask optimization algorithm ，IGWMTO ）。

该算法采用灰狼算法代替典型多任务算法中的遗传算法，计算个体的因素等级和技能因子实现狼群分类，并以此更新个体隶属任务，引入扰动因子和动态权重改善狼群个体的更新方式。

仿真测试结果表明：相比于传统多任务优化算法，所提算法在4个优化问题上的寻优精度的提升均超过了4.8%，计算耗时降低了70%以上。

关键词：多任务优化；群体智能优化算法；灰狼算法；寻优精度中图分类号：TP18文献标志码：A文章编号：员远苑员原园圆源载（圆园23）园5原园园81原06收稿日期：2022-06-02基金项目：天津市自然科学基金资助项目（19JCQNJC03300）；天津市研究生科研创新项目（2020TJSS014）通信作者：史伟光（1985—），男，博士，副教授，主要研究方向为射频定位，群体智能感知计算。

E-mail ：************************.cn Improved grey wolf algorithm based multitask optimization algorithmSHI Weiguang ，WANG Qiren（School of Electronics and Information Engineering ，Tiangong University ，Tianjin 300387，China ）Abstract ：Aiming at the problems of limited optimization accuracy and high computational time of existing multi-task opti鄄mization 渊MTO冤algorithms袁an improved grey wolf algorithm based multitask optimization algorithm 渊IGWM鄄TO冤is proposed袁which utilizes the grey wolf algorithm instead of the genetic algorithm in the typical multi-task optimization algorithm.The factor level and skill factor of the individual are calculated to achieve wolf group clas鄄sification and update the individual membership task.Then袁the disturbance factors and dynamic weight are in鄄troduced to improve the update method of individual wolves.The simulation results show that袁compared with thetraditional multi-task optimization algorithm袁the proposed algorithm improves the optimization accuracy by morethan 4.8%on all four optimization problems袁and the computational time reduces by more than 70%.Key words ：multi-task optimization曰swarm intelligence optimization algorithm曰gray wolf algorithm曰optimization accuracy近年来，多任务优化（multi -task optimization ，MTO ）[1-6]已经成为智能优化领域的新兴研究方向，MTO 关注如何同时解决多个优化问题并提高独立解决各问题的性能，在图像处理[7]、路径规划[8]和互联网[9]等领域MTO 技术已经展现出优势。

狼群算法原理狼群算法（Wolf Pack Algorithm）是一种模仿狼群行为的优化算法，它是基于自然界中狼群协同捕食的行为模式而发展起来的。

狼群算法通过模拟狼群中狼之间的协作与竞争关系，以寻找最优解或近似最优解的方式来解决优化问题。

狼群算法的核心思想是将问题空间映射到一个虚拟的狼群空间中，每个个体（狼）代表着一个潜在的解。

狼群中的每只狼都有自己的位置和适应度值，适应度值表示了该位置的解的优劣程度。

狼群算法通过模拟狼群的协作与竞争过程，不断迭代更新每只狼的位置，从而逐步接近最优解。

狼群算法包含三个主要的行为模式：寻找猎物、狼群协作和狼群竞争。

在寻找猎物的行为中，狼群中的每只狼会根据自身的位置和适应度值来搜索周围的解空间，以找到更优的解。

狼群协作的行为模式指的是狼之间会相互交流信息，通过共享有用的信息来提升整个狼群的搜索效果。

而狼群竞争的行为模式则是指狼群中的狼会相互竞争，通过竞争来筛选出适应度值更高的个体，并且淘汰适应度值较低的个体。

狼群算法的核心优势在于其强大的全局搜索能力和快速的收敛速度。

由于每只狼都具有寻找猎物、狼群协作和狼群竞争等行为模式，狼群算法能够充分利用群体智慧，有效地避免陷入局部最优解。

同时，狼群算法通过狼群协作和狼群竞争的机制，能够在搜索过程中迅速收敛到最优解附近，从而提高了算法的收敛速度。

狼群算法在实际应用中具有广泛的适用性。

它可以用于解决各种优化问题，如函数优化、组合优化、路径规划等。

狼群算法还可以应用于机器学习中的特征选择、参数优化等问题。

此外，狼群算法还可以与其他优化算法相结合，形成混合算法，以进一步提升搜索效果。

狼群算法是一种模仿狼群行为的优化算法，通过模拟狼群的协作与竞争关系，以寻找最优解或近似最优解的方式来解决优化问题。

狼群算法具有全局搜索能力强、收敛速度快等优势，并且在各种优化问题中具有广泛的应用价值。

通过研究和应用狼群算法，我们可以更好地理解和利用自然界中的智慧，为解决复杂的优化问题提供有力的工具和方法。

一种改进多目标灰狼优化算法的多无人机任务分配多目标灰狼优化算法是一种用于解决多目标优化问题的优化算法。

将其应用于多无人机任务分配问题中，可以有效地解决该问题。

本文将介绍多目标灰狼优化算法以及如何改进该算法来解决多无人机任务分配问题。

一、多目标灰狼优化算法多目标灰狼优化算法是灰狼优化算法（Gray Wolf Optimization，GWO）的扩展版本。

作为一种全局优化算法，GWO 模拟了灰狼在群体中搜索目标的行为。

在GWO 中，每只狼代表一个候选解，狼的位置表示该解的属性值。

每只狼都有一个目标函数值，这些目标函数值可以看作是狼的生存能力指标。

GWO 的搜索过程是通过不断地更新狼的位置（解的属性值）来实现的。

在更新位置的过程中，狼会受到其它狼的影响，以此提高全局搜索能力。

多目标灰狼优化算法是将GWO 扩展到多目标优化问题中的版本。

在这个算法中，每只狼都有多个目标函数值，因此每只狼都被描述为一个可行解向量。

直接应用GWO 算法来解决多目标优化问题时，需要将多个目标函数转化成一个综合目标函数。

这种转化方式可能会导致一些重要的目标函数被忽略，影响了搜索效果。

因此，多目标灰狼优化算法被提出来，避免了这个问题。

二、多无人机任务分配问题多无人机任务分配问题是指，在多个无人机和多个任务之间进行任务分配的问题。

其目标是最大化分配完成的任务数量，同时最小化完成任务所需的时间和能量消耗。

在该问题中，每个无人机都有一组任务，每个任务都有一个时间窗口（任务完成的时间限制），并且每个任务的特定属性对无人机有不同的影响。

任务分配的目标是使得每个无人机可以在时间和能量的限制下完成分配给他们的任务。

三、改进多目标灰狼优化算法来解决多无人机任务分配问题将多目标灰狼优化算法应用于多无人机任务分配问题时，需要将无人机和任务之间的关系转化为一组可行解向量。

每一个解向量表示一个无人机和任务之间的匹配。

这些解向量可以被描述为一个NP 问题中的解。

基于改进搜索策略的狼群算法基于改进搜索策略的狼群算法随着计算机技术的不断发展，人工智能逐渐渗透到各个领域中。

作为人工智能领域中的一项重要技术，优化算法在实际问题中受到了广泛的关注和研究。

其中狼群算法是一种基于自然界中狼群寻找猎物的行为模式而被提出的一种优化算法。

本文将介绍一种改进搜索策略的狼群算法，并且针对其在优化问题中的应用进行讨论。

一、狼群算法概述狼群算法是一种模拟狼群寻找猎物的行为模式来进行全局搜索的优化算法。

在狼群算法中，将候选解看做狼群中的一只狼，每只狼会根据自身的适应度来决定自己在群体中的排名。

在每次迭代中，只有排名靠前的狼才能够进行狩猎，而排名靠后的狼则需要学习和适应更有效的狩猎策略。

狼群算法通过模拟这种生物行为的方式来进行全局最优解的搜索。

二、改进搜索策略的狼群算法尽管狼群算法在实际应用中表现良好，但是其搜索过程中存在着两个主要的问题：收敛速度较慢和容易陷入局部最优解。

为了解决这些问题，学者们对狼群算法进行了一系列的改进。

其中，改进搜索策略的狼群算法是一种通过增强搜索策略来提高算法性能的一种方法。

具体来说，在改进搜索策略的狼群算法中，将搜索过程中的每个解看做一个粒子，每个粒子都包含了一组参数，可以看做是一只虚拟的狼。

在狼群中，每只狼会根据自己的适应度来更新自己的位置，并且将自己的位置和适应度信息通过一种信息传递的机制来与其他狼进行交流。

这种信息传递机制可以通过局部搜索和全局搜索两种方式来实现。

局部搜索是将具有较好适应度的狼的信息传递给周围的狼，以帮助它们在局部搜索空间中更快地找到最优解。

全局搜索则是将最好的狼的信息传递给其他狼，以帮助它们在全局搜索空间中更加高效地找到最优解。

三、狼群算法在优化问题中的应用狼群算法在优化问题中具有很广泛的应用，例如在电力系统调度优化、机器学习、物联网智能优化和图像处理等领域中都可以看到狼群算法的身影。

举个例子，在电力系统调度优化中，狼群算法可以被用来解决各种优化问题，例如最小化功率损失、最小化发电成本、最小化排放问题等等。