灰狼优化算法的改进及其在参数估计中的应用

发布时间：2020-05-31 08:59

【摘要】：灰狼优化算法是2014年提出的一种比较新颖的群智能优化算法,它的灵感来源于灰狼种群的等级制度和捕食行为,该算法具有结构简单、需要设置的参数少和在实验编码中容易实现等优点,目前,已在许多领域得到了广泛应用。然而,灰狼优化算法存在求解精度不高和收敛速度较慢等不足。本文重点研究GWO算法的改进及其应用范围的拓宽,主要工作是提出了SMIGWO、IGWO、CGWO三种改进算法,并对Muskingum、Richards、GM(1,1)三种模型的参数进行了估计,具体如下:(1)提出基于单纯形法的改进灰狼优化算法(SMIGWO)针对GWO算法依赖初始种群的不足,产生初始种群时用混沌Iterative序列代替了随机方式,使得灰狼位置分布更加均匀;更新收敛因子时引入逆不完全r函数,使得算法在全局搜索和局部搜索方面达到了平衡;将单纯形法的四种算子用来处理位置较差的灰狼,降低算法陷入局部的可能性。将三种策略改进的算法称为SMIGWO算法,通过在10个测试函数上的数据实验对比表明,与基本GWO、SquareGWO、NGWO、HGWO、PSO和BFA算法相比,SMIGWO算法的求解精度有一定的提高,并且收敛速度也更快。(2)提出基于IGWO算法的Muskingum模型参数估计为了提高Muskingum模型在河道洪水演算过程中的求解精度,提出基于IGWO算法的Muskingum模型参数估计新方法,并将其应用于南运河称沟湾至临清段洪水演算。实验结果表明,IGWO算法可以有效地估算出Muskingum模型中的参数,且与现有的其它方法相比,该算法计算精度更高,具有更好的优化性能。(3)提出基于CGWO算法的Richards模型参数估计基于灰狼优化算法不足的分析,提出了CGWO算法,该算法采用基于余弦规律变化的收敛因子,同时引入基于步长欧氏距离的比例权重更新灰狼位置。数据仿真结果表明CGWO算法具有更好的优化性能,其计算精度更高。最后以预测谷氨酸菌体生长浓度为例,利用CGWO算法估计Richards模型的参数,以均方根误差和平均绝对误差作为评价指标,与PSO算法、GA算法和VS-FOA算法的结果进行比较,CGWO算法可以有效地估计Richards模型中的参数。(4)基于GWO算法的GM(1,1)模型在天然气消费预测中的应用为了提高GM(1,1)模型的预测精度,提出一种基于灰狼优化算法的改进GM(1,1)模型(GWOGM(1,1))。该模型利用GWO算法对GM(1,1)模型的发展系数和灰色作用量进行优化,使得实际值与预测值之间的平均相对误差率最小。对2001-2013年中国居民天然气消费总量和天然气消费总量进行模拟,验证了 GWOGM(1,1)模型的有效性,并且与传统的GM(1,1)模型和Verhulst模型相比较,该模型的预测精度更高。
【图文】：

金字塔,等级,猎物

图 2-1 灰狼等级金字塔Fig. 2-1 Hierarchy pyramid of grey wolf看到，金字塔第一层是狼，也被称为“头狼”，是灰有管理能力；是狼的下一层，在做一些决策和处理，当狼不在狼群中、生病或死亡时，也会替补成为的其他狼，同时还担任狼“助理”的角色，它给群体中狼反馈将执行情况；普通狼处于金字塔的第三层，在其他底层个体，它的工作主要是侦察、放哨、捕猎、看护；最下面的一层称为，负责平衡种群各个阶层的关系以的社会等级机制是灰狼优化算法的主要灵感来源，另一个食行动由狼领导，其它狼的任务是围攻，主要包括以。这种高效捕杀猎物的过程使得它们可以抓获大型猎物。型的第一步是追逐和包围。GWO 在 n 维空间中有两个点

中灰,猎物,最优解,位置

上文曾讨论过，社会等级制度在狩猎和种群生存中起着关会等级，记群体最优解为，次优解为，第三最优解为，其它个界中，每个类别中可能有不止一个狼，但为了简单起见，认为只有一O 中的每个类。问题的全局最优性是未知的，，在 GWO 中，假设、和对猎物位是合理的，因为它们是整个种群中的最佳解。和其它灰狼的位置是置更新的，由公式（2-5）和（2-6）表示：1 1 12 2 23 3 3- , -- , -- , - D = C X X X = X A DD = C X X X = X A DD = C X X X = X A D 1 2 313t X X XX -2 显示搜索代理如何根据、和在二维搜索空间中更新其位置。可置将在一个圆形内的随机位置，这个位置由搜索空间中、和的，、和估计猎物的位置，而其他狼则在猎物周围随机更新它们
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;O212

【相似文献】