实现了 PSO 和 GWO 优化算法的混合 [Best_score,Best_pos,PSOGWO_cg_curve]=PSOGWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); [Alpha_score,Alpha_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);

混合灰太狼和布谷鸟搜索优化算法 此代码用于混合 GWOCS 优化算法，该算法将 GWO 的全局收敛能力与 CS 相结合。我们在基准优化功能上对其进行了测试，发现 GWOCS 的性能优于单独的 GWO。该存储库包括： 混合 GWO CS 优化的完整代码

一种基于金鹰优化器和灰狼优化器的混合算法

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的

灰狼算法

基于灰狼优化算法GWO优化VMD,matlab源码

灰狼优化（GWO）算法是一种新兴的算法，它基于灰狼的社会等级以及它们的狩猎和合作策略。 该算法于2014年推出，已被许多研究人员和设计人员使用，因此对原始论文的引用次数超过了许多其他算法。 在Niu等人的最新研究中，介绍了该算法用于优化现实世界问题的主要缺点之一。 总之，他们表明，随着问题的最佳解决方案从0偏离，GWO的性能下降。 在Greedy Non-Herarchical Gray Wolf Optimizer（G-NHGWO）中，通过对原始GWO算法进行直接修改，即忽略其社会层次结构，我们能够在很大程度上消除此缺陷，并为将来的使用开辟了新视野。此算法。 通过将其应用于基准和实际工程问题，验证了所提方法的效率。 参考文件： http : //dx.doi.org/10.1049/ell2.12176

Grey Wolf Optimizer（狼群算法 最早的一篇文章）GWO.pdf

这是 MATLAB 中最新的优化工具箱，它利用 7 种最近提出的算法来优化您的问题。 此工具箱中可用的算法有： 灰狼优化器 (GWO)、蚁狮优化器 (ALO)、多节优化器 (MVO)、蜻蜓算法 (DA)、飞蛾-火焰算法 (MFO)、正弦余弦算法 (SCA) 和鲸鱼优化算法 (WOA) . 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的折扣： ****************************************************** ****************************************************** ******************************************** 一门关于“优化问题和算法：如何理解、制定和解决优化问题”的课程： https://www.udemy.com/opt

该脚本实现了 PSO 和 GWO 优化算法的混合。 此代码在https://free-thesis.com上开发，详细说明可以在https://free-thesis.com/product/hybrid-particle-swarm-and-grey-wolf-optimization/查看