灰狼算法和智能优化算法的实现

里面是自己改进的多目标GWO算法以及NSGA3算法，可以通过里面的Type变量进行选择，通过name变量选择测试函数，有DTLZ1-DTLZ3，ZDT1-ZDT4，UF2，UF4，UF8无约束函数，约束函数有CONSTR、SRN、TNK。此外还有机组的测试相关函数。基准测试函数的真实PF均有。运行NSGAⅢ_main.m文件即可

灰狼优化算法（GWO）matlab代码

灰狼优化算法（Grey Wolf Optimizer，GWO）由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。近年来受到了学者的广泛关注，它己被成功地应用到了车间调度、参数优化、图像分类等领域中。用GWO优化CatBoost的参数来进行物联网入侵检测分类。

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

狼群优化算法，一种新的启发式算法，很适合初学者学习使用，内部有文档说明，可以参考文档进行学习使用，同时对于深层学习具有很好的作用

带佳点集理论的灰狼算法（GWO），求解带约束的非线性规划问题。可直接运行。

本资源包含灰狼优化算法（GWO）代码以及粒子群算法（PSO），主函数为使用灰狼优化和粒子群优化对不同函数进行寻优并将两种算法的比较结果绘图显示

The Grey Wolf Optimizer(GWO) algorithm mimics the leadership hierarchy and hunting mechanism of grey wolves in nature. Four types of grey wolves such as alpha, beta, delta, and omega are employed for simulating the leadership hierarchy. In addition, three main steps of hunting, searching for prey, encircling prey, and attacking prey, are implemented to perform optimization.

比较新的优化算法，用差分进化(DE)改进原始的灰狼优化（GWO）得到的HGWO（DE-GWO）算法，以优化SVR参数为例，matlab源码有详细中文注释，便于使用，可以根据需要自己修改，是很好地学习材料。