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

Solar Sail 问题求解器，基于元启发式优化算法：GWO、WOA 等(c#)

使用连续型的灰狼优化算法优化TSP搜索路径，按适应度值排序的索引选择路径。

灰狼算法代码，Grey Wolf Optimizer，eeeeeee

采用灰狼算法（GWO）优化BP回归预测matlab2019，内置数据集可以直接运行，全中文注释

实现了 PSO 和 GWO 优化算法的混合 [Best_score,Best_pos,PSOGWO_cg_curve]=PSOGWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); [Alpha_score,Alpha_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);

混合灰太狼和布谷鸟搜索优化算法 此代码用于混合 GWOCS 优化算法，该算法将 GWO 的全局收敛能力与 CS 相结合。我们在基准优化功能上对其进行了测试，发现 GWOCS 的性能优于单独的 GWO。该存储库包括： 混合 GWO CS 优化的完整代码

一种基于金鹰优化器和灰狼优化器的混合算法

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的