张孟健，张 浩，陈 曦，杨 靖

(贵州大学电气工程学院,贵州 贵阳 550025)

1 引言

灰狼优化GWO(Grey Wolf Optimization)算法是澳大利亚学者Mirjalili等[1]在2014年提出的一种新的群体智能优化算法。GWO算法以灰狼的等级制度为特征，以求解连续变量的优化问题为背景，其思想是受灰狼群的捕食行为启发，进而模拟灰狼的群体狩猎等级制度并进行理论化研究。

标准GWO 算法也存在易陷入局部最优、后期收敛速度慢和求解精度不高等问题。GWO算法中，收敛因子a起到平衡算法全局和局部搜索能力的作用，但是，收敛因子a采用线性方式减小并不能很好地平衡算法的全局和局部搜索能力。因此，很多研究人员对GWO算法进行了一系列的优化改进。针对收敛因子a，魏政磊等[2]提出基于余弦函数和二次函数的非线性动态变化收敛因子更新方法；胡小平等[3]提出一种基于指数变化的参数调整策略，并运用在二维平面的无线传感器网络节点部署中；崔明朗等[4]通过添加“观察”策略以及对控制参数a的调整策略进行改进，提出了一种用于解决多目标问题的改进GWO算法。针对初始化策略的研究中，滕志军等[5]引入Tent映射来初始化种群，并将粒子群优化PSO(Particle Swarm Optimization)算法与GWO算法相结合构成新的混合算法；谈发明等[6]提出改进非线性收敛方式的GWO算法，从混沌初始化和非线性控制策略2个角度改进了GWO算法；王志华等[7]提出了基于混沌的GWO算法，并用于提高SVM(Support Vector Machine)分类器的分类精度；Ibrahim等[8]提出了一种基于差分进化和扰动算子的混沌对立的GWO算法；……