灰狼優(yōu)化（Grey Wolf Optimization,GWO）算法是一種新興的群體智能優(yōu)化算法,因簡單高效而被成功應(yīng)用于諸多領(lǐng)域。文章闡述了灰狼優(yōu)化算法的搜索機制和實現(xiàn)過程,分析灰狼優(yōu)化算法的特性,對目前GWO算法的相關(guān)改進及應(yīng)用進行綜述。重點對GWO算法的改進策略,包括種群初始化的改進、搜索機制的改進、參數(shù)的改進等進行了描述,對GWO算法在參數(shù)優(yōu)化、復雜函數(shù)優(yōu)化和組合優(yōu)化等方面的應(yīng)用進行了討論。最后,對GWO算法的未來改進策略和實際應(yīng)用進行了展望。 

【文章頁數(shù)】：9 頁

【文章目錄】：
1 引言
2 灰狼群體捕食行為及灰狼優(yōu)化算法
    2.1 灰狼群體捕食行為
    2.2 GWO的數(shù)學模型
        2.2.1 包圍獵物
        2.2.2 狩獵
        2.2.3 攻擊獵物 (開發(fā))
        2.2.4 搜索獵物 (勘探)
    2.3 GWO算法的優(yōu)化過程
3 GWO改進的研究進展
    3.1 初始化種群的改進
        1) Luo等[13]提出了一種基于復數(shù)值編碼的改進GWO算法, 灰狼位置記錄如下:
        2) Madhiarasan等[14]將灰狼種群劃分為θ, ζ, ψ
        3) Long等[15]利用佳點集理論對種群進行初始化。
    3.2 搜索機制的改進
    3.3 對參數(shù)的改進
    3.4 混合算法的設(shè)計
4 GWO應(yīng)用研究進展
    4.1 參數(shù)優(yōu)化
        4.1.1 PID控制器參數(shù)的優(yōu)化
        4.1.2 支持向量機參數(shù)的優(yōu)化
        4.1.3 神經(jīng)網(wǎng)絡(luò)參數(shù)的訓練
    4.2 復雜函數(shù)優(yōu)化
    4.3 組合優(yōu)化
        4.3.1 經(jīng)濟調(diào)度
        4.3.2 車間調(diào)度
    4.4 其他應(yīng)用
5 GWO的未來研究方向
    5.1 GWO未來的理論研究
    5.2 GWO未來的改進研究
        1) 增加灰狼種群的多樣性。
        2) 改進GWO算法的搜索機制。
        3) 開發(fā)高效的混合算法。
        4) 開發(fā)新的位置更新公式。
    5.3 GWO未來的應(yīng)用研究


【參考文獻】：
期刊論文
[1]混合灰狼優(yōu)化算法求解柔性作業(yè)車間調(diào)度問題[J]. 姜天華.  控制與決策. 2018(03)
[2]求解作業(yè)車間調(diào)度問題的改進混合灰狼優(yōu)化算法[J]. 姚遠遠,葉春明.  計算機應(yīng)用研究. 2018(05)
[3]基于灰狼算法的改進研究[J]. 郭振洲,劉然,拱長青,趙亮.  計算機應(yīng)用研究. 2017(12)
[4]求解高維優(yōu)化問題的混合灰狼優(yōu)化算法[J]. 龍文,蔡紹洪,焦建軍,張文專,唐明珠.  控制與決策. 2016(11)
[5]一種新型非線性收斂因子的灰狼優(yōu)化算法[J]. 王敏,唐明珠.  計算機應(yīng)用研究. 2016(12)
[6]求解約束優(yōu)化問題的改進灰狼優(yōu)化算法[J]. 龍文,趙東泉,徐松金.  計算機應(yīng)用. 2015(09)
[7]基于灰狼優(yōu)化算法的置換流水線車間調(diào)度[J]. 呂新橋,廖天龍.  武漢理工大學學報. 2015(05)
[8]Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC[J]. Aijun Zhu,Chuanpei Xu,Zhi Li,Jun Wu,Zhenbing Liu.  Journal of Systems Engineering and Electronics. 2015(02)



本文編號：3662117