构建基于改进灰狼优化算法，可以优化SVR

通过GWO 灰狼算法优化支持向量机SVM建立各参数与研究目标的映射模型，代代码比较全，可以直接在MATLLAB里面使用

文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。 本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。因此，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。可以参考文献《基于粒子群优化算法的BP网络学习研究》。

群智能算法源代码，如蚁群，粒子群，灰狼等

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

性能优异的智能优化算法，灰狼优化算法完整代码，通俗易懂，有望应用于多方面的工程领域。

【灰狼算法】基于布谷鸟搜索混合灰狼优化算法求解单目标优化问题（AGWOCS)含Matlab源码

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运行结果

-初始灰狼算法用于WSN覆盖，方便用于改进扩展 -有注释，方便理解 -如果加上一些种群初始化策略、跳出局部最优策略的话，很容易提升覆盖率

粗糙集理论是模式识别和机器学习的重要内容，属性约简是粗糙集理论中核心步骤。然而传统的粗糙集理论对数据集进行属性约简，计算复杂度高，容易陷入局部最优解。提出了一种新型灰狼优化算法的粗糙集属性约简技术，可以很好地解决传统粗糙集理论出现的弊端。同时为了验证算法的可行性，采用国际通用UCI数据库进行验证，与两种传统的属性约简方法进行对比分析。实验结果表明，该方法属性约简个数少，识别精度高，证明该方法切实可行，操作简单。