文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。 本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。因此，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。可以参考文献《基于粒子群优化算法的BP网络学习研究》。

- 利用灰狼优化算法寻找未知节点到锚节点的实际距离和估计距离之间的最小误差，完成对未知节点坐标的估计 - 进行了原始Dv-hop定位算法和基于GWO的Dv-hop定位算法的对比 - 注释很详细

群智能算法源代码，如蚁群，粒子群，灰狼等

性能优异的智能优化算法，灰狼优化算法完整代码，通俗易懂，有望应用于多方面的工程领域。

完整代码，可直接运行

灰狼优化VMD的两个参数，惩罚系数和分解层数。并做包络谱，频谱等分析。有仿真数据直接运行。 采用平方包络谱峭度、包络熵、谱峭度、相关系数等作为适应度函数。

受 灰 狼 群 体 捕 食 行 为 的 启 发，Mirjalili等于 2014年提出了一种新型群体智能优化算法：灰狼优化算法。GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。 代码里面包含了20几种基准测试函数，用来测试算法的性能。 GWO算法具有结构简单、需要调节的参数少，容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。

灰狼优化算法（GWO）PPT

灰狼优化算法（Grey Wolf Optimizer，GWO）由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。近年来受到了学者的广泛关注，它己被成功地应用到了车间调度、参数优化、图像分类等领域中。

1、python程序 2、有数据集可直接运行