[发明专利]一种改进的多目标灰狼优化算法

权利要求书

1.一种改进的多目标灰狼优化算法，其特征在于，包括以下步骤：

步骤1、输入研究系统相关数据参数；

步骤2、确定系统优化目标及约束条件，确定系统变量及边界；

步骤3、狼群初始化，设置外部种群Archive，配置算法参数、差分参数，确定最大迭代次数；

步骤4、求解出当代狼群的非支配最优解并对外部种群Archive进行更新；

步骤5、解出当代的初始化参数a和k的值，通过轮盘赌的方法从外部种群中筛选出3个领导者；

步骤6、求出当前个体狼的4个候选解；

步骤7、求解候选解中的全部非支配解，采用精英策略并对其排序，对每只狼的更新位置进行择优选取；

步骤8、将非支配解添加至外部种群，同时去除外部种群中的支配解，若种群满员，则去除外部种群中的部分解；

步骤9、采用最大迭代次数对算法结束条件进行判断，如果达到最大迭代次数，则算法结束，输出外部种群的非支配解；反之，如果未达到最大迭代次数，则返回到步骤5，继续执行算法；

步骤10、基于改进的多目标灰狼算法性能测试。

2.如权利要求1所述的一种改进的多目标灰狼优化算法，其特征在于，所述步骤7中，包括以下子步骤：

7.1、收敛因子改进，将收敛因子改进如下：

式中，t表示当前迭代次数；Max_iter表示种群最大迭代次数；

7.2、差分机制引入，更新过程表达如下：

X₁(t+1)＝u(X_α(t)-A₁·D_α)+k((X_β(t)-A₂·D_β)-(X_δ(t)-A₃·D_δ))

X₂(t+1)＝u(X_β(t)-A₂·D_β)+k((X_α(t)-A₁·D_α)-(X_δ(t)-A₃·D_δ))

X₃(t+1)＝u(X_δ(t)-A₃·D_δ)+k((X_α(t)-A₁·D_α)-(X_β(t)-A₂·D_β))

式中：X_α、X_β、X_δ分别表示α、β、δ狼的当前位置，D_α、D_β、D_δ分别表示当前候选灰狼与最优三条狼之间的距离；u表示差分机制的支配系数，其数值一般在1左右；k表示差分机制的扰动系数，根据个体之间的差异动态调整；个体差异越小，则k值越大，算法将加强全局探索，相反如果个体之间的差异越大，则k值越小，算法将加强局部探索，实现过程如下：

式中：S_jg(g＝1，2，3)表示当前个体产生的新位置目标函数值加权之和，参数k₀是k的基准值，参数q₁与q₂是k基准值的影响因子；

7.3、精英选择策略，为了保障种群个体的优秀率，通过下式对非支配解求得的目标函数加权求和，将计算结果进行排序，设置大小顺序为Sj1＜Sj2＜Sj3＜Sj4，选择排序中函数值最小的解x_jg，将其作为最新个体狼最终更新位置；

式中：w_j表示加权参数，且满足f_j(x_jg)表示第j个目标函数值。