灰狼优化算法（GWO）是目前一种比较新颖的群智能优化算法，具有收敛速度快、寻优能力强等优点。将灰狼优化算法用于求解复杂的作业车间调度问题，与布谷鸟搜索算法进行比较研究，验证了标准GWO算法求解经典作业车间调度问题的可行性和有效性。在此基础上，针对复杂作业车间调度问题难以求解的特点，对标准GWO算法进行改进，通过进化种群动态、反向学习初始化种群以及最优个体变异三个方面的改进操作，测试结果表明，改进后的混合灰狼优化算法能够有效跳出局部最优值，找到更好的解，并且结果鲁棒性更强。

混合灰狼优化算法，萤火虫优化算法python

【灰狼算法】基于布谷鸟搜索混合灰狼优化算法求解单目标优化问题（AGWOCS)含Matlab源码

一种基于Tent映射的混合灰狼优化的改进算法（含代码）.zip

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

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.

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。

演化算法的改进算法，一种基于TENT 映射的混合灰狼优化的改进算法