GWO Library v3.0 🐺 增强型贪狼算法优化库

📖 概述

GWO Library 是一个基于自然界灰狼社会等级和狩猎行为启发的群体智能优化算法库。算法通过模拟 α、β、δ 和 ω 狼的社会层次和协作捕猎机制，高效求解连续优化问题。

✨ 核心特性

• 完整的优化流水线 — 初始化、迭代优化、收敛检测、结果统计
• 多种增强策略 — 混沌初始化、自适应参数、莱维飞行、精英保留、局部搜索
• 灵活的配置系统 — 预设配置(快速/标准/高精度/复杂) + 自定义参数
• 多目标函数支持 — 内置10种标准测试函数，支持自定义函数和带参数函数
• 约束处理 — 支持不等式约束和边界约束
• 统计分析 — 多次独立运行、均值/标准差/中位数/成功率统计
• 结果保存 — CSV格式保存结果，Python脚本自动生成可视化图表
• 回调机制 — 迭代回调、进度回调，实时监控优化过程
• 线程安全 — 支持多线程并行评估

📊 性能表现

标准测试函数结果 (30维, 30次运行)

⚡ 快速开始

最小示例：优化 Sphere 函数

#include "gwo.h"
#include <stdio.h>

int main() {
    // 获取默认配置
    GWO_Config config = gwo_get_default_config();
    config.population_size = 50;
    config.max_iterations = 500;
    config.verbose = 1;
    
    // 初始化优化器
    int dim = 30;
    gwo_init(&config, dim, gwo_func_sphere);
    
    // 运行优化
    GWO_Result result;
    gwo_run(&result);
    
    // 打印结果
    gwo_print_result(&result);
    
    // 清理资源
    gwo_free_result(&result);
    gwo_cleanup();
    
    return 0;
}

📦 编译与依赖

依赖库

• CMake ≥ 3.10
• C99/C11 兼容编译器 (GCC/Clang)
• OpenMP (可选，用于并行加速)
• Python3 + matplotlib (可选，用于可视化)

Ubuntu/Debian 安装依赖

sudo apt update
sudo apt install build-essential cmake
# 可选依赖
sudo apt install libomp-dev  # OpenMP支持

编译安装

git clone https://github.com/your/gwo-library.git
cd gwo-library
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j4
sudo make install  # 可选

在项目中使用

# CMakeLists.txt
find_package(gwo REQUIRED)
target_link_libraries(my_app GWO::gwo)

# 或直接编译
gcc my_program.c -lgwo -lm -O3

🔧 API 参考

配置函数

获取默认配置 (种群50, 迭代1000, 边界[-100,100])

快速配置 (种群30, 迭代500, 适合快速原型)

高精度配置 (种群100, 迭代3000, 局部搜索启用)

复杂函数配置 (种群150, 迭代3000, 增强莱维飞行)

核心函数

初始化优化器，设置维度和目标函数

运行优化算法，结果存入result结构体

多次运行，进行统计分析

清理优化器资源

辅助函数

⚙️ 配置参数详解

🎯 优化策略详解

1. 混沌初始化

使用Logistic混沌映射生成初始种群，相比随机初始化能更好地覆盖搜索空间，提高全局搜索能力。

2. 自适应a参数

传统GWO使用线性递减的a参数，本库实现了非线性递减策略：a = 2 * (1 - (iter/max_iter)^2)，在后期更注重开发。

3. 莱维飞行

在迭代后期引入莱维飞行扰动，帮助算法跳出局部最优，增强全局搜索能力。

4. 局部搜索

对最优解进行爬山法局部搜索，提高收敛精度，特别适合Rosenbrock等病态函数。

5. 精英保留

保留每代最优的elite_ratio比例个体，确保算法单调收敛。

💡 完整示例代码

示例1: 基础优化

#include "gwo.h"
#include <stdio.h>

int main() {
    GWO_Config config = gwo_get_default_config();
    config.population_size = 50;
    config.max_iterations = 1000;
    config.verbose = 1;
    
    int dim = 30;
    gwo_init(&config, dim, gwo_func_rastrigin);
    
    GWO_Result result;
    gwo_run(&result);
    gwo_print_result(&result);
    
    gwo_free_result(&result);
    gwo_cleanup();
    return 0;
}

示例2: 统计分析

GWO_Config config = gwo_get_default_config();
config.max_iterations = 500;

gwo_init(&config, 30, gwo_func_sphere);

GWO_Statistics stats;
gwo_run_multiple(30, &stats, NULL);
gwo_print_statistics(&stats);
gwo_save_statistics(&stats, "results.csv");

gwo_cleanup();

示例3: 自定义目标函数

double my_function(const double *x, int dim) {
    double sum = 0;
    for (int i = 0; i < dim; i++) {
        sum += x[i] * x[i] + sin(x[i]);
    }
    return sum;
}

int main() {
    GWO_Config config = gwo_get_default_config();
    gwo_init(&config, 10, my_function);
    // ... 运行优化
}

示例4: 带约束优化

int constraint_check(const double *x, int dim, void *data) {
    return (x[0] + x[1] <= 10);  // 约束条件
}

int main() {
    GWO_Config config = gwo_get_default_config();
    gwo_init(&config, 2, my_function);
    gwo_add_constraint(constraint_check, NULL);
    
    double lb[] = {0, 0};
    double ub[] = {10, 10};
    gwo_set_bounds(lb, ub, 2);
    // ... 运行优化
}

🏭 工程应用案例

压力容器设计优化

// 目标: 最小化制造成本
double pressure_vessel_cost(const double *x, int dim) {
    double Ts = x[0], Th = x[1], R = x[2], L = x[3];
    return 0.6224 * Ts * R * L + 1.7781 * Th * R * R;
}

int main() {
    GWO_Config config = gwo_get_complex_config();
    config.verbose = 1;
    
    gwo_init(&config, 4, pressure_vessel_cost);
    
    // 添加约束
    gwo_add_constraint([](const double *x, int dim, void*) {
        return (-x[0] + 0.0193 * x[2] <= 0);
    }, NULL);
    
    double lb[] = {0.5, 0.5, 10, 10};
    double ub[] = {10, 10, 200, 200};
    gwo_set_bounds(lb, ub, 4);
    
    GWO_Result result;
    gwo_run(&result);
    
    printf("Optimal design: Ts=%.4f, Th=%.4f, R=%.2f, L=%.2f\n",
           result.best_solution[0], result.best_solution[1],
           result.best_solution[2], result.best_solution[3]);
    printf("Total cost: %.2f\n", result.best_fitness);
    
    gwo_free_result(&result);
    gwo_cleanup();
    return 0;
}

📈 基准测试结果

不同配置性能对比 (Sphere函数, 30维)

与其他算法对比 (Sphere, 30维, 1000次迭代)

🔍 故障排除

📝 更新日志

版本 3.0.0 (2026-03-21)

• ✨ 新增三种预设配置 (Fast/HighPrecision/Complex)
• ✨ 新增局部搜索策略 (Local Search)
• ✨ 新增约束处理功能
• ✨ 新增迭代回调和进度回调
• 📊 改进统计分析，增加中位数、标准差
• 🐛 修复边界处理和内存泄漏问题
• 📚 完善API文档和示例代码

版本 2.0.0 (2026-03-15)

• ✨ 增强策略: 混沌初始化、自适应a参数、莱维飞行
• ✨ 支持多次运行统计分析
• ✨ Python可视化脚本自动生成
• 🚀 OpenMP并行加速

版本 1.0.0 (2026-03-10)

• 🎉 初始版本，基础GWO算法实现
• 支持Sphere、Rastrigin等测试函数

⚖️ 许可证