党星海 王梦娟

（1.兰州理工大学土木工程学院 兰州 730050）（2.兰州理工大学建筑勘察设计研究院 兰州 730050）

1 引言

近20年来，群智能优化算法得到了快速发展，已经成为解决科学和工程领域优化问题的有效手段，典型的有粒子群算法、蚁群算法、差分进化算法、引力搜索算法等。它们各自体现了不同的优化性能，但目前仍没有一种算法能够解决所有优化问题，为此，探索新的、高效且适应范围广的优化算法十分必要［1～3］。

灰狼优化（Grey Wolf Optimizer，GWO）算法是由Mirjalili等［4］于2014年提出的一种新型的群智能优化算法。该算法一方面模拟了自然界灰狼群体觅食行动，表现出了惊人的群体智能，另一方面具有较少的设置参数和较优的全局搜索能力，因而得到人们日益增长的重视。目前，GWO算法已经成功应用于表面波参数优化、传感器网络训练、直流电机最优控制、经济调度指派问题等领域中。但是在实际使用中，人们发现基本GWO算法和其他优化算法一样，存在易陷入局部最优的缺点。为了解决这个问题，国内外学者展开了研究。国外的研究，如：文献［5］提出反向学习策略，用来实现GWO算法的并行化；文献［6］提出在GWO算法中嵌入动态种群算子，用来增强算法的局部搜索能力；文献［7］提出加权距离策略，用来调整GWO算法的位置更新方程。国内的研究，如：文献［8］提出混沌和精英反向学习的混合策略来改进GWO算法，在求解高维优化问题上取得了显著效果；文献［9］构建了一种DE和GWO的混合算法，在一定程度上增强了算法的全局搜索能力；……