A novel Random Walk Grey Wolf Optimizer 狼群算法.pdf（论文）

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。

灰狼算法优化最小二乘支持向量机,可以进行数据预测。如果不想改动代码，输入的数据请按照示范的数据（data）排列的方式进行排列。注：行为指标集u11-u53 ，列为数据集。 本代码可以用于股价预测，电力预测，交通流量预测，风险预测，价格预测等等。 代码可能有不完善的地方，可按照需求自行修改。

在多目标灰狼优化器 (MOGWO) 中，一个固定大小的外部档案被集成到 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。 主要论文可在此处找到：S. Mirjalili、S. Saremi、SM Mirjalili、L. Coelho，多目标灰狼优化器：一种用于多标准优化的新算法，专家系统与应用程序，印刷中，DOI： http ://dx.doi.org/10.1016/j.eswa.2015.10.039 该算法的单目标版本可以在这里找到： http : //au.mathworks.com/matlabcentral/fileexchange/44974-grey-wolf-optimizer--gwo - 更多信息请见： http : //www.alimirjalili.com/GWO.html 其他相关提交： ht

I-GWO 算法受益于一种新的运动策略，称为基于维度学习的狩猎 (DLH) 搜索策略，该策略继承自自然界狼的个体狩猎行为。 DLH 使用不同的方法为每只狼构建一个邻域，其中可以在狼之间共享相邻信息。 DLH 搜索策略中使用的这种维度学习可以增强局部和全局搜索之间的平衡并保持多样性。 作者和程序员：MH Nadimi-Shahraki、S. Taghian、S. Mirjalili 电子邮件：nadimi@ieee.org、shokooh.taghian94@gmail.com、ali.mirjalili@gmail.com http://www.alimirjalili.com 主要论文：MH Nadimi-Shahraki、S. Taghian、S. Mirjalili，用于解决的改进灰狼优化器，工程问题，专家系统与应用，印刷中，DOI：10.1016/j.eswa.2020.1

灰狼GWO-PSO,灰狼多少钱一包,matlab源码.zip

灰狼优化算法（GWO）.m与PSO比较算法灰狼优化算法（GWO）.

灰狼优化算法的程序matlab

PSO,GWO,SVM算法优化，非线性回归预测。通过不同算法优化，使的达到最佳的预测效果，同时算法上具有创新性。

BGWOPSO的MATLAB代码：使用混合灰狼优化进行特征选择的二进制优化论文参考-Al-Tashi，Q.，Kadir，SJA，Rais，HM，Mirjalili，S.，＆Alhussian，H.（2019）。 使用混合灰狼优化进行特征选择的二元优化。 IEEE 访问，7，39496-39508。 算法详情链接：论文https://ieeexplore.ieee.org/abstract/document/8672550运行代码 设置所有需要的参数运行文件 demo.m 摘要：本文提出了混合灰狼优化（GWO）和粒子群优化（PSO）的二进制版本来解决特征选择问题。 最初的 PSOGWO 是一种新的混合优化算法，它受益于 GWO 和 PSO 的优势。 尽管性能优越，但原始的混合方法适用于具有连续搜索空间的问题。 然而，特征选择是一个二元问题。 因此，提出了一种称为 BGWOPSO 的混合