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

压力容器设计的目标是将圆柱形容器的材料、成型和焊接的总成本降至最低

此免费代码用于混合 GWOCS 优化算法，该算法结合了 GWO 与 CS 的全局收敛能力。 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

灰狼算法（GWO）和粒子群算法（PSO）在Matlab上的算法实现，同时加入了UCI的基准函数进行性能比较，便于学习两个算法。

灰狼优化器是 mirjalili 提出的元启发式算法。 我们对原始算法提出了新的改进，如附件所示原始算法描述于： http : //dx.doi.org/10.1016/j.advengsoft.2013.12.007 原始代码在： http : //www.mathworks.com/matlabcentral/fileexchange/47258-grey-wolf-optimizer-toolbox