在多目标灰狼优化器 (MOGWO) 中，固定大小的外部存档集成到 GWO 中，用于保存和检索帕累托最优解。该档案已被用于定义社会等级并模拟多目标搜索空间中灰狼的狩猎行为。 主要论文可以在这里找到：S. Mirjalili, S. Saremi, SM Mirjalili, L. Coelho, Multi-objective gray wolf optimizationr: A new algorithm for multi-criterion optimization, Expert Systems with Applications, in press, DOI: http ://dx.doi.org/10.1016/j.eswa.2015.10.039

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点，提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置，为算法全局搜索过程的种群多样性奠定基础；同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度；最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验，结果表明，与基本GWO算法、PSO算法、GA算法以及ACO算法相比，该算法具有更好的求解精度和更快的收敛速度。

大灰狼远控源码

大灰狼远控DOOS版V5.52源码.zip

基于灰狼算法的二维路径规划（matlab）

【SVM预测】灰狼算法优化svm支持向量机预测matlab源码.md

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

灰狼算法

灰狼算法最简单的一个例子，利用灰狼算法求a2+b2最小值，鉴于网上资源繁多，自己编写一个程序，简单易懂，逐行注释

狼群算法matlab代码，经典的狼群算法matlab实现附有注释