注意：此代碼實現(xiàn)的是求目標(biāo)函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實現(xiàn)）网杆。
注意：此代碼實現(xiàn)的是求目標(biāo)函數(shù)最大值捞蛋，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實現(xiàn)）吠撮。
注意：此代碼實現(xiàn)的是求目標(biāo)函數(shù)最大值尊惰，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實現(xiàn)）。

1.代碼實現(xiàn)

不了解灰狼算法可以先看看優(yōu)化算法筆記（十八）灰狼算法
實現(xiàn)代碼前需要先完成優(yōu)化算法matlab實現(xiàn)（二）框架編寫中的框架的編寫泥兰。

以及優(yōu)化算法matlab實現(xiàn)（四）測試粒子群算法中的測試函數(shù)弄屡、函數(shù)圖像的編寫。

灰狼算法的個體沒有獨有屬性。
灰狼算法個體
文件名：.. \optimization algorithm\algorithm_grey_wolf\GWO_Unit.m

% 灰狼算法個體
classdef GWO_Unit < Unit
    
    properties
    end
    
    methods
        function self = GWO_Unit()
        end
    end
    
end

灰狼算法算法主體
文件名：..\optimization algorithm\algorithm_grey_wolf\GWO_Base.m

% 灰狼算法
classdef GWO_Base  < Algorithm_Impl
    
    properties
        % 算法名稱
        name = 'GWO';
        % 步長系數(shù)
        a = 2;
    end
    
    % 外部可調(diào)用的方法
    methods
        function self = GWO_Base(dim,size,iter_max,range_min_list,range_max_list)
            % 調(diào)用父類構(gòu)造函數(shù)
            self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
            self.name ='GWO';
        end
    end
    
    % 繼承重寫父類的方法
    methods (Access = protected)
        % 初始化種群
        function init(self)
            init@Algorithm_Impl(self)
            %初始化種群
            for i = 1:self.size
                unit = GWO_Unit();
                % 隨機初始化位置：rand(0,1).*(max-min)+min
                unit.position = unifrnd(self.range_min_list,self.range_max_list);
                % 計算適應(yīng)度值
                unit.value = self.cal_fitfunction(unit.position);
                % 將個體加入群體數(shù)組
                self.unit_list = [self.unit_list,unit];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            
            update@Algorithm_Impl(self,iter)
            self.update_position(iter);
        end     
        
        % 更新位置
        function update_position(self,iter)
            % 求最大值則降序排列
            [value,index] = sort([self.unit_list.value],'descend');
            for i = 1:self.size
                if(i == index(1)||i == index(2)||i == index(3))
                    % 保留頭狼不更新（不在原文中）
                    continue
                end
                % 向著3只頭狼前進(jìn)得到三個位置
                pos1 = self.get_wolf_position(iter,index(1),i);
                pos2 = self.get_wolf_position(iter,index(2),i);
                pos3 = self.get_wolf_position(iter,index(3),i);
                
                % 取三個位置的重心
                new_pos = (pos1+pos2+pos3)/3;
                % 越界檢查
                new_pos = self.get_out_bound_value(new_pos);
                % 計算適應(yīng)度
                new_value = self.cal_fitfunction(new_pos);
                self.unit_list(i).value = new_value;
                self.unit_list(i).position = new_pos;
            end
        end
        
        % 計算目標(biāo)個體與當(dāng)期個體的距離
        function distance = get_wolf_distance(self,goal_id,id)
            d_rand = round(unifrnd(0,1,1,self.dim))*2;
            distance = abs(d_rand.*self.unit_list(goal_id).position - self.unit_list(id).position);
        end
        
        % 當(dāng)前個體向著目標(biāo)個體前進(jìn)后的位置
        function goal_position = get_wolf_position(self,iter,goal_id,id)
            cur_a = self.a*(1-iter/self.iter_max);
            dist = self.get_wolf_distance(goal_id,id);
            A = unifrnd(-cur_a,cur_a,1,self.dim);
            goal_position = self.unit_list(goal_id).position - A.*dist;
        end
        
        
        % 獲取當(dāng)前最優(yōu)個體的id
        function best_id=get_best_id(self)
            % 求最大值則降序排列
            [value,index] = sort([self.unit_list.value],'descend');
            best_id = index(1);
        end
        
    end
end

文件名：..\optimization algorithm\algorithm_grey_wolf\GWO_Impl.m
算法實現(xiàn)削彬，繼承于Base,圖方便也可不寫全庸，直接用GWO_Base，這里為了命名一致融痛。

% 灰狼算法實現(xiàn)
classdef GWO_Impl < GWO_Base
   
    % 外部可調(diào)用的方法
    methods
        function self = GWO_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 調(diào)用父類構(gòu)造函數(shù)設(shè)置參數(shù)
             self@GWO_Base(dim,size,iter_max,range_min_list,range_max_list);
        end
    end 
end

2.測試

測試F1
文件名：..\optimization algorithm\algorithm_grey_wolf\Test.m

%% 清理之前的數(shù)據(jù)
% 清除所有數(shù)據(jù)
clear all;
% 清除窗口輸出
clc;

%% 添加框架路徑
% 將上級目錄中的frame文件夾加入路徑
addpath('../frame')

%% 選擇測試函數(shù)
Function_name='F1';
% [最小值壶笼，最大值，維度酌心，測試函數(shù)]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

%% 算法實例
% 種群數(shù)量
size = 50;
% 最大迭代次數(shù)
iter_max = 1000;
% 取值范圍上界
range_max_list = ones(1,dim)*ub;
% 取值范圍下界
range_min_list = ones(1,dim)*lb;

% 實例化灰狼算法類
base = GWO_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告訴算法求不是求最大值
base.is_cal_max = false;
% 確定適應(yīng)度函數(shù)
base.fitfunction =fobj;
% 運行
base.run();

%% 繪制圖像
figure('Position',[500 500 660 290])
% Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
% Draw objective space
subplot(1,2,2);
% 繪制曲線
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 將坐標(biāo)軸調(diào)整為緊湊型
axis tight
% 添加網(wǎng)格
grid on
% 四邊都顯示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);