灰 狼 优 化 算 法 ( G W O ) 原 理

GWO（灰狼优化）算法MATLAB源码逐行中文注解

以优化SVM算法的参数c和g为例，对GWO算法MATLAB源码进行了逐行中文注解。

tic % 计时器

%% 清空环境变量

close all

format compact

%% 数据提取

% 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量

load wine.mat

% 选定训练集和测试集

% 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集

train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)];

% 相应的训练集的标签也要分离出来

train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)] ;

% 将第一类的31-59,第二类的96-130,第三类的154-178做为测

试集

test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];

% 相应的测试集的标签也要分离出来

test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178 )];

%% 数据预处理

% 数据预处理,将训练集和测试集归一化到[0,1]区间

[mtrain,ntrain] = size(train_wine);

[mtest,ntest] = size(test_wine);

dataset = [train_wine;test_wine];

% mapminmax为MATLAB自带的归一化函数

[dataset_scale,ps] = mapminmax(dataset',0,1);

dataset_scale = dataset_scale';

train_wine = dataset_scale(1:mtrain,:);

test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: );

%% 利用灰狼算法选择最佳的SVM参数c和g

SearchAgents_no=10; % 狼群数量，Number of search agents Max_iteration=10; % 最大迭代次数，Maximum numbef of iterations

dim=2; % 此例需要优化两个参数c和g，number of your

variables

lb=[0.01,0.01]; % 参数取值下界

ub=[100,100]; % 参数取值上界

% v = 5; % SVM Cross Validation参数,默认为5

% initialize alpha, beta, and delta_pos

Alpha_pos=zeros(1,dim); % 初始化Alpha狼的位置

Alpha_score=inf; % 初始化Alpha狼的目标函数值，change this to -inf for maximization problems

Beta_pos=zeros(1,dim); % 初始化Beta狼的位置

Beta_score=inf; % 初始化Beta狼的目标函数值，change this to -inf for maximization problems

Delta_pos=zeros(1,dim); % 初始化Delta狼的位置

Delta_score=inf; % 初始化Delta狼的目标函数值，change this to -inf for maximization problems

%Initialize the positions of search agents

Positions=initialization(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iteration);

l=0; % Loop counter循环计数器

% Main loop主循环

while lMax_iteration % 对迭代次数循环

for i=1:size(Positions,1) % 遍历每个狼

% Return back the search agents that go beyond the

boundaries of the search space

% 若搜索位置超过了搜索空间，需要重新回到搜索空间

Flag4ub=Positions(i,:)ub;

Flag4lb=Positions(i,:)lb;

% 若狼的位置在最大值和最小值之间，则位置不需要调整，若超出最大值，最回到最大值边界；

% 若超出最小值，最回答最小值边界

Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*F lag4ub+lb.*Flag4lb; % ~表示取反

% 计算适应度函数值

cmd = [' -c ',num2str(Positions(i,1)),' -g ',num2str(Positions(i,2))];

model=svmtrain(train_wine_labels,train_wine,cmd); % SVM 模型训练

[~,fitness]=svmpredict(test_wine_labels,test_wine,model); % SVM模型预测及其精度

fitness=100-fitness(1); % 以错误率最小化为目标

% Update Alpha, Beta, and Delta

if fitnessAlpha_score % 如果目标函数值小于Alpha狼的目标函数值