本文介绍鲸鱼优化算法(WOA)及其在求解函数最值问题中的应用。WOA是一种基于座头鲸捕食行为的元启发式优化算法。

WOA算法核心原理

鲸鱼优化算法模仿了三种座头鲸的行为模式：

行为	数学表达	功能
包围猎物	向最优个体靠近	局部搜索
气泡网攻击	螺旋运动更新位置	平衡探索与开发
随机游走	随机选择参考个体	全局探索

MATLAB代码示例

function [optimal_value, optimal_position, history] = whaleOptimization(n_whales, max_iterations, lower_bound, upper_bound, dimensions, objective_function)
% 初始化鲸鱼群位置
whale_positions = rand(n_whales, dimensions) .* (upper_bound - lower_bound) + lower_bound;

% 初始化最优解
optimal_value = inf;
optimal_position = zeros(1, dimensions);
history = zeros(1, max_iterations);

for iteration = 1:max_iterations
    a_factor = 2 - iteration * (2 / max_iterations);
    b_factor = 1; % 螺旋系数
    for whale_index = 1:n_whales
        r1 = rand();
        r2 = rand();
        A = 2 * a_factor * r1 - a_factor;
        C = 2 * r2;
        
        if rand() < 0.5
            if abs(A) >= 1
                random_whale = floor(rand * n_whales) + 1;
                D_random = abs(C * whale_positions(random_whale, :) - whale_positions(whale_index, :));
                whale_positions(whale_index, :) = whale_positions(random_whale, :) - A * D_random;
            else
                D_best = abs(C * optimal_position - whale_positions(whale_index, :));
                whale_positions(whale_index, :) = optimal_position - A * D_best;
            end
        else
            distance_to_best = abs(optimal_position - whale_positions(whale_index, :));
            whale_positions(whale_index, :) = distance_to_best * exp(b_factor * rand) * cos(2 * pi * rand) + optimal_position;
        end
        
        % 确保变量在界限内
        whale_positions(whale_index, :) = min(max(whale_positions(whale_index, :), lower_bound), upper_bound);
        
        % 计算适应度并更新最优解
        current_fitness = objective_function(whale_positions(whale_index, :));
        if current_fitness < optimal_value
            optimal_value = current_fitness;
            optimal_position = whale_positions(whale_index, :);
        end
    end
    history(iteration) = optimal_value;
end
end

测试函数实例

Sphere函数

function result = sphere(x)
result = sum(x.^2);
end

n_whales = 30;
max_iterations = 500;
lower_bound = -100;
upper_bound = 100;
dimensions = 10;

[optimal_value, optimal_position, history] = whaleOptimization(n_whales, max_iterations, lower_bound, upper_bound, dimensions, @sphere);

Rastrigin函数

function result = rastrigin(x)
A = 10;
n = length(x);
result = A * n + sum(x.^2 - A * cos(2 * pi * x));
end

Ackley函数

function result = ackley(x)
n = length(x);
sum_squares = sum(x.^2);
sum_cosines = sum(cos(2 * pi * x));

result = -20 * exp(-0.2 * sqrt(sum_squares/n)) - exp(sum_cosines/n) + 20 + exp(1);
end

性能分析与图表展示

figure;
plot(history, 'LineWidth', 2);
xlabel('迭代次数');
ylabel('最佳适应度');
title('WOA算法收敛曲线');
grid on;

参数调整建议

参数	建议范围	影响
鲸鱼数量	20-50	影响计算复杂度和搜索能力
最大迭代次数	500-2000	根据问题难度调整
参数a	2至0线性减少	控制全局探索与局部开发平衡

实际应用技巧

1. 问题编码：对于非连续问题，设计合适的编码策略。
2. 约束处理：利用罚函数方法处理约束条件。
3. 并行化：对大规模问题进行并行计算以提高效率。
4. 混合策略：结合其他算法如局部搜索提升解的质量。