将灰狼优化算法(GWO)用于柔性作业车间调度问题(FJSP),以优化最大完工时间为目标,提出一种混合灰狼优化算法(HGWO).首先,采用两段式编码方式,建立GWO连续空间与FJSP离散空间的映射关系;其次,设计种群初始化方法,保证算法初始解的质量;然后,嵌入一种变邻域搜索策略,加强算法的局部搜索能力,引入遗传算子,提升算法的全局探索能力;最后,通过实验数据验证HGWO算法在求解FJSP问题方面的有效性.

Grey Wolf Optimizer Toolbox这是一个简单的工具箱，具有使用友好的图形界面，非常适合那些没有高编程技能的人。 在工具箱中可以很容易地定义GWO算法的参数。

灰狼算法函数极值寻优matlab与python版本，基本每一句都是对应的，方便同时学matlab与python的对着看，特别方便

基于改进的灰狼优化器的无线传感器网络节点覆盖率优化算法

灰狼优化算法（GWO）matlab代码

基于改进流体扰动算法与灰狼优化的无人机三维航路规划

文件包含，多目标灰狼优化算法的完整代码 和论文,代码可直接运行，具有很高的参考价值，提供给大家参考学习。

为了改善差分灰狼预测算法的早熟收敛、搜索能力不均衡、容易陷入局部最优等问题,提出了一种改进的混合灰狼优化(HGWO)预测算法,可自适应改进和调整差分进化中的变异算子、交叉算子和变异策略。嵌入具有分类预测功能的支持向量机(SVM),同时引入莱维飞行全局搜索更新狼群位置,优化SVM核函数参数γ和惩罚因子C,构建了HGWO-SVM预测算法预测推焦车大车道内物体的运动轨迹。结果表明,与已有算法相比,该算法对行人、自行车、电瓶车、电动三轮车、大中小型四轮汽车的位置预测相对实际值的误差分别降低了4.21、4.14、7.91、2.03、25.53个百分点,预测时间减少了8.8~10 s。可以克服焦炉恶劣的环境影响,准确预测推焦车车道内运动对象的轨迹,为推焦车无人化运行提供主动安全的预测控制方法。

准确的风电功率预测对于电力系统安全稳定运行具有重要意义，滞后性是产生风电功率预测误差的主要原因，尤其是风速变化较快时，滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关，提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性，并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化，以提高风电功率预测的准确性。算例结果表明，所提方法能够有效提高风电功率预测精度。

粒子群算法与灰狼优化结合算法（PSO-GWO） 粒子群算法与灰狼优化结合算法（PSO-GWO） 粒子群算法与灰狼优化结合算法（PSO-GWO）.m