受 灰 狼 群 体 捕 食 行 为 的 启 发，Mirjalili等于 2014年提出了一种新型群体智能优化算法：灰狼优化算法。GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。 代码里面包含了20几种基准测试函数，用来测试算法的性能。 GWO算法具有结构简单、需要调节的参数少，容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。

灰狼优化算法（GWO）PPT

基于嵌入莱维飞行的灰狼优化(LGWO)算法的函数寻优算法

使用连续型的灰狼优化算法优化TSP搜索路径，按适应度值排序的索引选择路径。

本资源为基于MATLAB的灰狼优化算法学习，为作者在学习过程中写的第一个灰狼优化算法的实例，本实例初始化一个单变量函数，然后求在取值区间的最小值。本资源共包括四个文件，其中main.m为主文件，将四个文件放在同一个文件夹下，直接巡行main文件即可显示最终的运行结果，并绘制每次迭代的最优适应度。f_getfitness.m与f_fit.m为运行中main.m需要调用的子函数，Grey Wolf Optimizer.pdf为灰狼优化算法的原理文件，为发表时的英文版本

使用此代码请引用论文这是论文的源代码：Pradeep Jangir，Narottam Jangir：一种新的非支配排序灰狼优化器（NS-GWO）算法：解决工程设计和经济约束排放调度的开发和应用风力发电一体化的问题。 。 应用Artif。 智力72: 449-467 (2018) https://doi.org/10.1016/j.engappai.2018.04.018 。 更多信息可以在： https : //www.researchgate.net/profile/Pradeep_Jangir6

AGWO 是对原始灰狼优化器 (GWO) 的增强，由 Mohammed H.Qais 等人提出。在这里，我们提出了一种新的基于增强灰狼优化器和布谷鸟搜索（AGWOCS）的混合元启发式算法，如附件所示。 AGWOCS算法的研究论文： A Novel Hybrid Metaheuristic based on Augmented Grey Wolf Optimizer and Cuckoo Search for Global Optimization (ISCCC 2021), India, 2021, pp.376-381, DOI: https://doi.org/10.1109/ICSCCC51823.2021.9478142 原始 AGWO 算法描述于：https ://doi.org/10.1016/j.asoc.2018.05.006

在多目标灰狼优化器 (MOGWO) 中，固定大小的外部存档集成到 GWO 中，用于保存和检索帕累托最优解。该档案已被用于定义社会等级并模拟多目标搜索空间中灰狼的狩猎行为。 主要论文可以在这里找到：S. Mirjalili, S. Saremi, SM Mirjalili, L. Coelho, Multi-objective gray wolf optimizationr: A new algorithm for multi-criterion optimization, Expert Systems with Applications, in press, DOI: http ://dx.doi.org/10.1016/j.eswa.2015.10.039

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点，提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置，为算法全局搜索过程的种群多样性奠定基础；同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度；最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验，结果表明，与基本GWO算法、PSO算法、GA算法以及ACO算法相比，该算法具有更好的求解精度和更快的收敛速度。

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.