当前位置：首页 > news >正文

2020年NCA CCF-C，改进灰狼算法RSMGWO+大规模函数优化，深度解析+性能实测

news 来源：原创 2025/8/14 1:07:34

1.摘要

灰狼优化算法（GWO）是一种新型自然启发式算法，具备较强的局部搜索能力，但在处理大规模问题时全局搜索能力较弱。本文提出了改进灰狼算法（RSMGWO），RSMGWO算法结合了随机对立学习、增强灰狼层级结构和修改进化种群动态（EPD）。

2.灰狼算法GWO原理

【智能算法】灰狼算法（GWO）原理及实现

3.改进策略

基于增强灰狼层级结构

受粒子群优化算法（PSO）启发，本文提出了基于增强狼群层级结构的灰狼优化算法（GWOSH）。作为经典的群体智能算法，PSO通过学习个体和群体中最佳位置来有效地在复杂空间中搜索全局最优解。在GWOSH中，每只狼有两种更新模式：一种是基于随机维度的全局最优搜索方式，增强狼群的层级结构；另一种是采用传统GWO的更新方式。每只灰狼根据其社会层级选择适合的更新模式，从而提高搜索效率和优化性能。 $S_i(t)$ 来记录每个个体的层级,从 $\alpha,\beta,\delta,\omega$ 分别为1-4，引入决策因子 $DF_i(t)$ 使每只灰狼决定选择哪种更新模式来更新它们的位置：
$DF_i(t)=(L-S_i(t))/(L-1)$
其中， $L$ 是狼群层级总数，狼群有4个层级 $L = 4$ 。

基于增强灰狼层级结构

改进EPD算子

EPD（演化种群动态）机制源自自组织临界性（SOC）理论，该理论指出动态系统最有效的状态是临界状态。在SOC理论中，平衡种群中的微小扰动能够维持平衡而不依赖外部干扰。在生物进化过程中，去除最差个体对种群的整体演化有显著影响。去除最差个体并重新定位其位置的过程称为EPD。EPD能够有效提高种群的中位数，并且在优化基于种群的元启发式算法时具有较高的效率和较低的成本。RSMGWO使用EPD首先去除一些表现较差的个体，然后将它们重新定位到最佳解附近或搜索空间中的随机位置。

(a)领导者周围更新最差候选解的位置：
$\boldsymbol{X}(t+1)=\left\{ \begin{array} {cc}\boldsymbol{X}_p-r_1*(\boldsymbol{X}_p-\boldsymbol{l}\boldsymbol{b}), & \quad r<=0.5 \\ \boldsymbol{X}_p+r_1*(\boldsymbol{u}\boldsymbol{b}-\boldsymbol{X}_p), & \quad r>0.5 \end{array}\right.$

(b)更新最差候选解在搜索空间中随机位置的位置:
$\boldsymbol{X}(t+1)=\boldsymbol{lb}+r*(\boldsymbol{ub}-\boldsymbol{lb})$

随机对立学习策略

为进一步提高探索能力，本文引入了一种随机对立学习策略，随机选择一只灰狼并使用该策略更新其位置：
$X_{rs}=lb+(ub-X_\alpha)$

流程图

流程图

4.结果展示

5.参考文献

[1] Zhang X, Wang X, Chen H, et al. Improved GWO for large-scale function optimization and MLP optimization in cancer identification[J]. Neural computing and applications, 2020, 32: 1305-1325.

6.代码获取

function [Alpha_score,Cbest,Alpha_pos]=RSMGWO(f,lb,ub,d,M,N)
%Improved GWO for large-scale function optimization and MLP optimization in cancer identification(RSMGWO)
%Programmer: Xinming Zhang
%Date:2018-6-26
% initialize alpha, beta, and delta_pos    //初始化α、β和δ狼
Alpha_pos=zeros(1,d);
Alpha_score=inf; %change this to -inf for maximization problems
Beta_pos=zeros(1,d);
Beta_score=inf; %change this to -inf for maximization problems
Delta_pos=zeros(1,d);
Delta_score=inf; %change this to -inf for maximization problems
%Initialize the positions of search agents
aa=repmat(lb,N,1);bb=repmat(ub,N,1);
Positions=aa+(bb-aa).*rand(N,d);%fitval=zeros(1,size(Positions,1));
X=Positions;
X(:,d+1)=feval(f, X(:,1:d));
X = PopSort(X);
Positions=X(:,1:d);s1=1;s2=N+1;s3=N+1;
fit=X(:,d+1);
for i=1:Nif fit(i)<Alpha_scoreAlpha_score=fit(i); % Update alphaAlpha_pos=Positions(i,:);s1=i;endif fit(i)>Alpha_score && fit(i)<Beta_scoreBeta_score=fit(i); % Update betaBeta_pos=Positions(i,:);s2=i;endif fit(i)>Alpha_score && fit(i)>Beta_score && fit(i)<Delta_scoreDelta_score=fit(i); % Update deltaDelta_pos=Positions(i,:);s3=i;end
end
Cbest=zeros(1,M);
Cbest(1)=Alpha_score;
a1=2; 
l=0;% Loop counter
% Main loop
while l<Ma=2-l*((2)/M); % a decreases linearly fron 2 to 0% EPD[~,index]=sort(fit);Positions=Positions(index,:);%Num=round(N/4);for i=1:Num%采用EPDpa=rand;if pa<=0.25temp=Alpha_pos;elseif pa<=0.5temp=Beta_pos;elseif pa<=0.75temp=Delta_pos;elsetemp=[];endif isempty(temp)Positions(N-Num+i,1:d)=lb+(ub-lb).*rand(1,d);elseif rand<0.5Positions(N-Num+i,1:d)=temp+(ub-temp).*rand(1,d)*ba;elsePositions(N-Num+i,1:d)=temp-(temp-lb).*rand(1,d)*ba;endendendNum=ceil(N*rand);while Num==s1||Num==s2||Num==s3,Num=ceil(N*rand);end%随机选择一个灰狼for i=1:Nif i==NumPositions(i,:)=lb+(ub-Alpha_pos);%反向学习elseif i==s1%对于alpha狼for j=1:dcnum=ceil(d*rand);if cnum~=jPositions(i,j)=Alpha_pos(cnum);elsernum=ceil(N*rand);while rnum==i,rnum=ceil(N*rand);end;rnum1=ceil(N*rand);while rnum1==i || rnum1==rnum,rnum1=ceil(N*rand);end;if rand<=0.5Positions(i,j)=Positions(i,j)+3.5*a*rand*(Positions(rnum,j)-Positions(rnum1,j));elsePositions(i,j)=Beta_pos(j)-a*(2*rand-1)*abs(a1*rand*Beta_pos(j)-Positions(i,j));endendendelseif i==s2%对于beta狼cc=rand(1,d)>=0.67;snum=sum(cc);Positions(i,cc)=Alpha_pos(cc)-a*(2*rand(1,snum)-1).*abs(a1*rand(1,snum).*Alpha_pos(cc)-Positions(i,cc));snum=d-snum;cnum=ceil(rand(1,snum)*d);Positions(i,~cc)=(Alpha_pos(cnum)+Beta_pos(cnum))/2;elseif i==s3%对于delta狼cc=rand(1,d)>=0.33;snum=sum(cc);X1=Alpha_pos(cc)-a*(2*rand(1,snum)-1).*abs(a1*rand(1,snum).*Alpha_pos(cc)-Positions(i,cc));X2=Beta_pos(cc)-a*(2*rand(1,snum)-1).*abs(a1*rand(1,snum).*Beta_pos(cc)-Positions(i,cc));Positions(i,cc)=(X1+X2)/2;snum=d-snum;cnum=ceil(d*rand(1,snum));Positions(i,~cc)=(Alpha_pos(cnum)+Beta_pos(cnum)+Delta_pos(cnum))/3;Else%对于其它狼X1=Alpha_pos-a*(2*rand(1,d)-1).*abs(a1*rand(1,d).*Alpha_pos-Positions(i,:));X2=Beta_pos-a*(2*rand(1,d)-1).*abs(a1*rand(1,d).*Beta_pos-Positions(i,:));X3=Delta_pos-a*(2*rand(1,d)-1).*abs(a1*rand(1,d).*Delta_pos-Positions(i,:));Positions(i,:)=(X1+X2+X3)/3;endendPositions=ControlBound(Positions,aa,bb);%限定位置fit=feval(f,Positions);%求适应度值for i=1:N% Calculate objective function for each search agentfitness=fit(i);        % Update Alpha, Beta, and Deltaif fitness<Alpha_scoreAlpha_score=fitness; % Update alphaAlpha_pos=Positions(i,:);s1=i;endif fitness>Alpha_score && fitness<Beta_scoreBeta_score=fitness; % Update betaBeta_pos=Positions(i,:);s2=i;endif fitness>Alpha_score && fitness>Beta_score && fitness<Delta_scoreDelta_score=fitness; % Update deltaDelta_pos=Positions(i,:);s3=i;endendl=l+1;Cbest(l)=Alpha_score;
end

7.读者交流

2020年NCA CCF-C，改进灰狼算法RSMGWO+大规模函数优化，深度解析+性能实测

目录 1.摘要2.灰狼算法GWO原理3.改进策略4.结果展示5.参考文献6.代码获取7.读者交流 1.摘要灰狼优化算法（GWO）是一种新型自然启发式算法，具备较强的局部搜索能力，但在处理大规模问题时全局搜索能力较弱。本文提出了改进灰狼算法…...

编程日记 2025/8/14 1:07:34

【EasyPan】saveShare代码分析

【EasyPan】项目常见问题解答（自用&持续更新中…）汇总版保存分享文件到个人网盘代码分析一、代码结构概览该代码实现了一个将他人分享的文件保存到自己网盘的功能，主要分为三个部分： 控制器层（Controller&a…...

编程日记 2025/8/11 14:29:29

基于Django框架开发的B2C天天生鲜电商平台

天天生鲜介绍天天生鲜是一个基于Django框架开发的B2C(Business-to-Customer)电商平台，专注于生鲜食品的在线销售。该项目采用了主流的Python Web开发框架Django，结合MySQL数据库、Redis缓存等技术，实现了一个功能完整、界面友好的电商网站…...

编程日记 2025/8/14 1:00:33

[数据库之九] 数据库索引之顺序索引

1、什么是索引？ 拿到一本书，想直接跳到感兴趣的章节，而不是从头看到尾，这时需要看书的目录，上面列出章节和对应的页码，这里的目录可以看成是书的索引，如果没有索引，要查找书中某块内…...

编程日记 2025/8/14 1:07:34

使用 Celery + Redis + Eventlet 实现 Python 异步编程（Windows 环境）

一、环境搭建与依赖安装 1. 安装依赖包 pip install celery redis eventletcelery：异步任务队列框架。redis：作为消息中间件（Broker）和结果存储（Backend）。eventlet：用于 Windows 环境下的协程…...

编程日记 2025/8/14 1:03:44

Selenium Web自动化测试学习笔记（二）--八大元素定位

前置设置及代码目录结构如下，将驱动器chromedriver.exe复制粘贴到此目录下，具体环境配置参考笔记一： Selenium Web自动化测试学习笔记（一）-CSDN博客首先和笔记（一）一样导入一些包用于设置谷…...

编程日记 2025/8/14 1:03:29

如何设置飞书多维表格，可以在扣子平台上使用

扣子可以链接到飞书多维表格，但很多人不知道具体如何操作，今天给大家分享下操作流程。大家好，我是涛涛，欢迎来到我的空间。因为需要管理员审核，所以最好有管理员的手机就在旁边方便操作。 (一) 进入应用中心 https…...

编程日记 2025/8/14 1:06:47

C++初阶-string类的简单应用

目录 1.仅仅反转字母 2.字符串中第一个唯一字符 3.字符串最后一个单词的长度 4.验证回文串 5.字符串相加 6.总结 1.仅仅反转字母题目链接：https://leetcode.cn/problems/reverse-only-letters/description/ 在数据结构中我们学了一种方法叫做前后指针法&…...

编程日记 2025/8/14 1:01:55

企业数字化转型第二课：接受不完美（1/2）

一.引言先看一组中国企业数字化转型相关的数据： 战略认知层面：92%中国企业将数字化纳入战略核心（麦肯锡2023）执行困境层面：63%企业转型首年遭遇重大挫折（BCG 2024追踪）价值释放周期&#xff1…...

编程日记 2025/8/14 1:00:33

【MCP】function call与mcp若干问题整理

前言：大模型里agent 的 funcation call 是什么概念在大模型中，Agent是一个能够理解目标、进行自主规划，并利用可用工具（包括Function Call）来执行任务以达成目标的系统或程序。Function Call是大型语言模型提供的一项…...

编程日记 2025/8/14 1:07:33

QT聊天项目DAY09

1. 安装Redis 直接从老师的网盘下载链接: https://pan.baidu.com/s/1v_foHZLvBeJQMePSGnp4Ow?pwdyid3 提取码: yid3 启动Redis服务看一下，启动成功了 .\redis-server.exe .\redis.windows.conf 启动客户端看一下 2. 配置redis库，调用API 编译一下 …...

编程日记 2025/6/29 3:24:10

JAVA八股文

一、JAVA基础 1.面向对象： 面向对象编程是一种以对象为核心的编程，通过封装、继承、多态和抽象管理代码。 1.封装：将数据（属性）和行为（方法）绑定在一个对象中，隐藏内部细节&#…...

编程日记 2025/8/9 14:19:18

『深夜_MySQL』数据库操作字符集与检验规则

2.库的操作 2.1 创建数据库语法： CREATE DATABASE [IF NOT EXISTS] db_name [create_specification [,create_specification]….]create_spcification:[DEFAULT] CHARACTER SET charset_nam[DEFAULT] COLLATE collation_name说明： 大写的表示关键字 …...

编程日记 2025/8/14 1:03:45

1688拍立淘搜索相似商品API接口概述，json数据示例参考

1688拍立淘搜索相似商品API接口概述 1688拍立淘是阿里巴巴1688平台提供的以图搜图功能，允许开发者通过上传商品图片或图片URL，快速检索1688平台上的相似商品。该接口基于图像识别技术，结合1688的海量商品库，为商家、采购商或开发…...

编程日记 2025/8/9 23:27:48

使用 Java 11 的 HttpClient 处理 RESTful Web 服务

在现代 Web 开发中，与 RESTful Web 服务交互是一项核心任务。Java 作为一种广泛使用的编程语言，提供了多种处理 HTTP 请求的方法。在 Java 11 之前，开发者通常使用 HttpURLConnection 或第三方库（如 Apache HttpClient）。然而，这些方法要么过于底层，要么需要额外依赖。J…...

编程日记 2025/8/14 1:06:47

学习笔记：黑马程序员JavaWeb开发教程(2025.3.30)

11.6 案例-文件上传-阿里云OSS-集成从程序中获取URL给前端，前端显示图片拿到URL，但是在浏览器里面是直接下载，展示可以使用html中的<image>标签 Spring环境下，不建议再去new对象，将其交给IOC容器管理&#xff…...

编程日记 2025/8/14 1:00:34

【MySQL】-- 联合查询

文章目录 1. 简介1.1 为什么要使用联合查询1.2 多表联合查询时MySQL内部是如何进行计算的 2. 内连接2.1 语法2.2 示例 3. 外连接3.1 语法3.2 示例 4. 自连接4.1 应用场景4.2 示例4.3 表连接练习 5. 子查询5.1 语法5.2 单行子查询5.3 多行子查询5.4 多列子查询5.5 在from 子句中…...

编程日记 2025/6/29 3:47:00

《C++ Templates》：有关const、引用、指针的一些函数模板实参推导的例子

1.T按值传递最简单的模板例子： template<typename T> void func(T x) {std::cout << typeid(T).name() << std::endl;x 20;cout << x; } 这种情况下，T永远不会被推导成带顶层const或引用的类型【顶层const即变量本身不能…...

编程日记 2025/8/9 21:18:40

【算法】随机快速排序和随机选择算法

文章目录 1、随机快速排序1.1 什么是随机快排1.2 随机快排的好处 2、随机选择算法前言： 快速排序就是每次划分前，通过一种方法将一个基准值的位置确定好，再进入不同的部分重复相同的工作以此确定好每个值的位置以达到有序。如果你之前并不了…...

编程日记 2025/6/29 3:17:47

si551x时钟芯片linux下调试总结

目录前言一、依赖文档、工具二、让芯片工作的流程三、以上步骤的SOC下代码实现前言本文总结调试SKYWORKS芯片厂商Si5512时钟芯片时的笔记，基于linux5.10.xxx内核，在arm64架构的SOC上验证； 一、依赖文档、工具文档名说明下载链接Si5518…...

编程日记 2025/8/10 9:21:21

5.6-DAE实现

解决问题： 随机缺失（实验室指标未检测）系统性噪声（设备测量误差）类别不平衡（健康/患病人群比例悬殊） 思路：引入可控噪声 → 重建原始数据实现步骤 (1)…...

编程日记 2025/8/10 17:51:25

MCU怎么运行深度学习模型

Gitee仓库 git clone https://gitee.com/banana-peel-x/freedom-learn.git项目场景： 解决面试时遗留的问题，面试官提了两个问题：1.单片机能跑深度学习的模型吗？ 2.为什么FreeRTOS要采用SVC去触发第一个任务，只用Pend…...

编程日记 2025/6/29 4:56:26

背单词软件开发英语app开发，超级单词表开发，河南数匠软件开发

在数字化教育浪潮席卷全球的当下，英语教育行业面临着教学模式创新与教学效率提升的双重挑战。如何借助技术力量，为学生提供更优质、更高效的英语学习体验，成为众多英语教育机构亟待解决的问题。河南数匠软件开发有限公司，作为专注…...

编程日记 2025/8/10 1:36:38

AI视觉质检的落地困境与突破路径

摘要人工智能（AI）视觉质检技术凭借其在提升效率、降低成本和优化质量控制方面的巨大潜力，正成为现代制造业转型升级的关键驱动力。然而，尽管前景广阔，AI视觉质检在实际落地过程中仍面临诸多严峻挑战，主要…...

编程日记 2025/6/29 4:31:02

检测内存条好坏有工具，推荐几款内存检测工具

检测内存条的好坏其实很重要，这直接就关系到计算机是不是能够稳定的运行，也有一部分人就会关注内存检测的工具。你应该如何来选择的，不如看一下以下的这几个。 MemTest86是一个比较受到大家喜欢的内存检测工具，会支持各种类型&…...

编程日记 2025/6/29 2:29:01

认识tomcat（了解）

启动 1. windows版本解压后，就能用，启动，是bin路径下的startup.bat , 关闭是ctrl C . 启动后，可以访问 http://127.0.0.1:8080。为什么是8080，因为如下这个配置文件部署将项目放置到webapps目录下，即…...

编程日记 2025/6/29 4:45:23

[20250507] AI边缘计算开发板行业调研报告 (2024年最新版）

[20250507] AI边缘计算开发板行业调研报告 (2024年最新版） 一、行业背景随着物联网设备激增与AI模型轻量化，边缘计算成为AI落地核心场景。AI边缘计算开发板（Edge AI Board）作为硬件载体，需满足低延迟…...

编程日记 2025/6/29 3:14:07

前端实现文件下载

目录 1.说明 2.示例--excel 3.示例--csv 1.说明在开发中经常会出现下载csv或者excel文件，可以通过后端下载，也可以通过前端下载，如果在前端页面中可以直接获取到要下载的数据，可以通过前端下载的方式，更加高效便捷…...

编程日记 2025/8/11 4:38:23

深入理解Redis缓存与数据库不一致问题及其解决方案

什么是Redis缓存数据与数据库不一致在现代应用中，Redis作为一种高速缓存系统，被广泛用于提升系统性能。Redis缓存数据与数据库不一致，指的是缓存中的数据与数据库中的数据不匹配，导致读取缓存时得到的不是最新或正确的数据。 R…...

编程日记 2025/6/29 4:31:09

六级阅读———2024.12卷一仔细阅读2

文章 An awakening has been taking place in the physical world against the beauty model that has been dictated to us for years.But in the digital arena,social media determines what is considered beautiful.(51) The two opposing struggles are taking place i…...

编程日记 2025/8/10 8:25:10

目录