灰狼算法

基于灰狼优化算法GWO优化VMD,matlab源码

灰狼优化（GWO）算法是一种新兴的算法，它基于灰狼的社会等级以及它们的狩猎和合作策略。 该算法于2014年推出，已被许多研究人员和设计人员使用，因此对原始论文的引用次数超过了许多其他算法。 在Niu等人的最新研究中，介绍了该算法用于优化现实世界问题的主要缺点之一。 总之，他们表明，随着问题的最佳解决方案从0偏离，GWO的性能下降。 在Greedy Non-Herarchical Gray Wolf Optimizer（G-NHGWO）中，通过对原始GWO算法进行直接修改，即忽略其社会层次结构，我们能够在很大程度上消除此缺陷，并为将来的使用开辟了新视野。此算法。 通过将其应用于基准和实际工程问题，验证了所提方法的效率。 参考文件： http : //dx.doi.org/10.1049/ell2.12176

Grey Wolf Optimizer（狼群算法 最早的一篇文章）GWO.pdf

这是 MATLAB 中最新的优化工具箱，它利用 7 种最近提出的算法来优化您的问题。 此工具箱中可用的算法有： 灰狼优化器 (GWO)、蚁狮优化器 (ALO)、多节优化器 (MVO)、蜻蜓算法 (DA)、飞蛾-火焰算法 (MFO)、正弦余弦算法 (SCA) 和鲸鱼优化算法 (WOA) . 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的折扣： ****************************************************** ****************************************************** ******************************************** 一门关于“优化问题和算法：如何理解、制定和解决优化问题”的课程： https://www.udemy.com/opt

该脚本实现了 PSO 和 GWO 优化算法的混合。 此代码在https://free-thesis.com上开发，详细说明可以在https://free-thesis.com/product/hybrid-particle-swarm-and-grey-wolf-optimization/查看

A novel Random Walk Grey Wolf Optimizer 狼群算法.pdf（论文）

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。

灰狼算法优化最小二乘支持向量机,可以进行数据预测。如果不想改动代码，输入的数据请按照示范的数据（data）排列的方式进行排列。注：行为指标集u11-u53 ，列为数据集。 本代码可以用于股价预测，电力预测，交通流量预测，风险预测，价格预测等等。 代码可能有不完善的地方，可按照需求自行修改。

在多目标灰狼优化器 (MOGWO) 中，一个固定大小的外部档案被集成到 GWO 中，用于保存和检索帕累托最优解。 该档案已被用于定义社会等级并模拟多目标搜索空间中灰狼的狩猎行为。 主要论文可在此处找到：S. Mirjalili、S. Saremi、SM Mirjalili、L. Coelho，多目标灰狼优化器：一种用于多标准优化的新算法，专家系统与应用程序，印刷中，DOI： http ://dx.doi.org/10.1016/j.eswa.2015.10.039 该算法的单目标版本可以在这里找到： http : //au.mathworks.com/matlabcentral/fileexchange/44974-grey-wolf-optimizer--gwo - 更多信息请见： http : //www.alimirjalili.com/GWO.html 其他相关提交： ht