王梦璐，李连忠

江南大学 理学院，江苏 无锡214122

灰狼优化算法（Grey Wolf Optimizer，GWO）[1]是澳大利亚学者Mirjalili等于2014年提出的新型群体智能优化算法。它通过模仿自然界中灰狼群体的等级制度和追踪、围捕、攻击猎物等捕食过程实现算法优化搜索的目的。GWO算法在求解精度和收敛速度方面与粒子群算法（Particle Swarm Optimization，PSO）[2-3]、遗传算法（Genetic Algorithm，GA）[4]、差分进化算法（Differential Evolution，DE）[5]相比是比较有竞争力的，且具有原理简单、需要调整的参数少、易于实现等优点，因此GWO算法在优化PID控制器参数[6]、路径规划[7-8]、文本聚类[9]、支持向量机[10]、多层传感器训练[11]等领域上有着广泛的应用。

然而，标准GWO算法仍存在求解精度不高、后期收敛速度较慢且容易陷入局部最优无法跳出等缺点。为了进一步提高GWO算法的性能，研究学者们提出了许多改进策略，徐松金等[12]提出了一种交叉变异机制，在群体中随机选择三个个体与决策层个体执行算术交叉操作并且以一定概率对决策层个体进行变异，该机制有效地提高了算法的局部搜索能力和收敛速度，但是变异时没有突破遗传算法的变异规则，较容易陷入局部最优；黎素涵等[13]提出了非线性收敛因子调整策略和精英个体重选策略，该算法有较好的收敛速度和效率，但改进算法的模式较为单一，收敛精度没有得到有效提高；王敏等[14]提出了一种随迭代次数非线性递减的自适应收敛因子与变异算子，平衡了算法的全局搜索和局部搜索能力，但在灰狼的位置更新中没有考虑优秀个体对其他个体的引导作用只是随机地进行变异，算法跳出局部最优的能力较差；……