[发明专利]一种改进的多目标灰狼优化算法

说明书

本发明属于优化算法技术领域，尤其涉及一种改进的多目标灰狼优化算法，包括以下步骤：步骤1、改进的多目标灰狼算法步骤；步骤2、多目标灰狼算法的改进；步骤3、基于改进的多目标灰狼算法性能测试。本发明进行了收敛因子的改进，并引入差分机制和精英选择机制，形成混合多目标灰狼优化算法；可以解决标准多目标灰狼算法在处理优化问题时带来了种群多样性不足、容易陷入局部最优、处理复杂问题效果欠佳等问题。本发明以某海岛独立微电网容量优化配置多目标优化模型为算例，分别使用HMOGWO与MOPSO、MOPSO算法对优化目标进行求解；分析显示HMOGWO算法在优化独立微电网的成本和可靠性方面表现出明显性能优势，取得了更优的帕累托前沿，系统可靠性更高。

技术领域

本发明属于优化算法技术领域，尤其涉及一种改进的多目标灰狼优化算法。

背景技术

在目前的优化算法研究中，群体智能(SI)优化算法因其结构简单、易于实现等优点在各种复杂优化问题的求解中得到广泛应用。SI算法通过模仿和模拟自然群落或者系统，包括鱼群、鸟类、细菌、昆虫等动物群落，实现算法优化过程的构建，SI算法不仅涉及到群体成员之间相互作用和关系来定位食物来源，还涉及群体成员的行为和生活方式。目前，SI算法已经在解决实际优化问题中表现出显著优势，具有出色的鲁棒性和适应性，国内外学者已经提出很多的优秀SI算法，一般有粒子群优化算法(PSO)、蚁群优化算法(ACO)、人工蜂群算法(ABC)、果蝇优化算法(FOA)、鲸鱼优化算法(WOA)以及灰狼优化算法(GWO)等。

灰狼优化算法(GWO)是一种全新的群体智能优化算法，该算法在2014年被提出。澳大利亚学者Mirjalili等受到灰狼群体捕食行为的启发，通过模拟灰狼群体的生活习性和捕食行为，构建基于协作机制的狼群捕食过程数学模型，以实现捕食过程优化目的，该算法可以应用于现实生活中的优化问题。GWO算法一般具备结构原理简单、控制参数少、易于实现等优点，同时，算法中的自适应收敛因子和信息反馈机制可以有效保证局部寻优和全局搜索两者间的相互平衡，而且在解决函数优化这类问题的时候，GWO算法表现出较强的全局搜索能力以及较高的搜索效率，具有较高的求解精度和收敛速度。该算法一经提出就引起国内外大量研究者的广泛关注。根据研究结果，GWO算法在函数优化方面的收敛速度以及求解精度等参数明显优于PSO，并已被广泛应用全局优化、特征选择、钢梁设计优化、生产过程时间优化、约束优化问题、模板匹配、PID控制参数优化、工业动态调度等诸多领域，并取得了良好的应用效果。

通过在基本的单目标灰狼算法中添加外部种群Archive来存放在求解过程中将得到的非支配最优解，可以将单目标灰狼算法发展成为多目标优化算法，从而可以用来求解多目标优化问题。同时，对外部种群中的这些非支配最优解，可以通过合适的领导者选择策略来筛选得到捕食过程中的α、β、δ狼。

在标准GWO算法中，为了简化算法优化过程，仅通过A和C两个随机参数实现算法全局勘探和局部开发能力的动态调节，当|A|＞1时，算法进行全局勘探，|A|＜1时，算法则进行局部开发，这两个阶段对应的种群位置更新公式并没有差异，均仅受α、β、δ的指引进行搜索。然而，针对复杂优化问题，需要智能算法尽可能全局遍历，才可能找到全局最优解。标准GWO算法存在如下不足：

(1)种群多样性差：由于在GWO算法中种群的生成方式是随机的，导致种群多样性较差。

(2)算法后期收敛速度慢：GWO算法在寻找过程中，狼群主要通过排名前三的α、β和δ灰狼个体实现对猎物位置的确认，从而造成后期收敛速度并不快。

(3)算法容易陷入局部最优：在算法迭代的过程中，一方面，α狼不一定是全局最优，另一方面，种群中的ω狼在逐渐靠近前3个最优的灰狼个体，导致GWO算法陷入局部最优解。

(4)在原始GWO算法中，α、β、δ三者处于绝对领导地位，如果三者初期分布不均导致位置不佳，狼群会陷入局部最优从而表现出停止搜索的现象。