黎素涵，叶春明

上海理工大学 管理学院，上海200093

群智能算法是一类通过模拟自然界中生物和非生命系统的群体智能行为机制来寻优的元启发式算法[1]，具有易于实现、灵活性强、参数较少等优点。Wolpert等[2]提出的NFL（No Free Lunch）定理从逻辑上证明了不存在一个元启发式算法可以解决所有优化问题。因此，元启发式算法领域的研究非常活跃，很多专家学者进行针对当前算法的改进和新算法的研究。近年来，很多新型群智能算法被提出，如文献[3]提出的模拟布谷鸟寄生育雏繁殖行为和莱维飞行搜索机制的布谷鸟算法（Cuckoo Search，CS）；文献[4]模拟果蝇靠嗅觉快速定位食物方位并快速飞近食物的行为，提出的果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）；文献[5]提出的模拟鲸鱼气泡网攻击、收缩包围和随机搜寻捕食行为的鲸鱼优化算法（Whale Optimization Algorithm，WOA）；文献[6]提出的模拟哈里斯鹰捕食行为的搜索、搜索与开发转换、开发三阶段寻优的哈里斯鹰算法（Harris Hawks Optimization，HHO）；文献[7]提出的模拟蘑菇通过孢子发现丰富的生长区域来扩大菌落发展的蘑菇繁殖算法（Mushroom Reproduction Optimization，MRO）等。

灰狼算法（Gray Wolf Optimization，GWO）是Mirjalili 等[8]受灰狼群的等级制度和捕食行为所启发，于2014 年提出的一种群智能算法。其在文中证明GWO算法在求解精度和稳定性方面明显优于差分进化算法（Differential Evolution，DE）、粒子群算法（Particle Swarm Optimization，PSO）、引力搜索算法（GravitationalSearch Algorithm，GSA）、快速进化算法（Fast Evolutionary Programing，FEP），且具有原理简单、参数较少、全局搜索能力较强等特点。因此，GWO 算法在生产车间调度优化[9]、智能家居负荷控制[10]、神经网络训练[11]等方面有广泛应用。但是，GWO 算法仍存在求解精度较低、后期收敛速度较慢、易陷入局部最优的缺点。……