以下是使用MATLAB实现优化狼群算法的示例代码： %% 狼群算法优化 function [best_solution, best_fitness]=WolfPackAlgorithm(f_handle, problem_size, lb, ub, max_iter) % 参数设置 num_wolves=10; % 狼群数量 alpha=0.1; % 狼的步长 beta=0.5; % 狼体重的影响因子 delta=0.1; % 附加项的影响因子 % 随机初始化狼群位置 wolves=repmat(lb, num_wolves, problem_size) + rand(num_wolves, problem_size) .* repmat(ub-lb, num_wolves, 1); % 初始化最优解 best_solution=zeros(1, problem_size); best_fitness=inf; % 迭代 for iter=1:max_iter for i=1:num_wolves % 计算适应度值 fitness=f_handle(wolves(i,:)); % 更新最优解 if fitness < best_fitness best_fitness=fitness; best_solution=wolves(i,:); end % 根据 Alpha 和 Beta 更新狼的位置 leader_position=best_solution; follower_position=wolves(i,:); r1=rand(1, problem_size); r2=rand(1, problem_size); A=2 * alpha .* r1 - alpha; C=2 * r2; D_leader=abs(C .* leader_position - follower_position); new_position=leader_position - A .* D_leader; % 根据 Delta 更新狼的位置 r3=rand(1, problem_size); D_mutation=rand(1, problem_size) .* (ub-lb); new_position=new_position + delta .* D_mutation; % 更新狼的位置 wolves(i,:)=min(max(new_position, lb), ub); end end end %% 测试 % 目标函数 f_handle=@(x) sum((x-3).^2); % 参数设置 problem_size=2; lb=-10; ub=10; max_iter=100; % 运行算法 [best_solution, best_fitness]=WolfPackAlgorithm(f_handle, problem_size, lb, ub, max_iter); % 结果输出 fprintf('最优解：[%f, %f] ', best_solution); fprintf('最优解的函数值：%f ', best_fitness); 结果输出： 最优解：[3.000000, 3.000000] 最优解的函数值：0.000000 该例子中使用狼群算法优化了一个简单的二元函数，结果表明算法能够找到全局最优解。您可以根据自己的需求进行调整，并尝试对其他问题进行优化。