灰狼优化算法（Grey Wolf Optimizer, GWO）是由 Seyedali Mirjalili 等人于 2014 年提出的一种元启发式优化算法，其灵感源于自然界灰狼群体的社会等级结构与协作狩猎行为。作为一种群体智能算法，GWO 不依赖问题的具体数学性质，具有参数设置简单、收敛速度快、全局搜索能力强等优势，在工程优化、机器学习、资源调度等多个领域得到广泛应用。
一、核心思想：灰狼的社会等级与狩猎行为
GWO 的核心是模拟灰狼群体的两大核心特征——严格的社会等级制度和高效的协作狩猎策略，将搜索代理（算法中的'灰狼'）与优化问题的候选解对应，通过群体协作逐步逼近最优解。
-
社会等级结构 算法将灰狼种群分为四个等级，各等级承担不同角色，共同引导种群搜索方向： • α狼（头狼）：种群最高领导者，对应优化问题中的当前最优解，负责决策狩猎方向、休息地点等核心行为，是种群搜索的核心导向。 • β狼（副狼）：等级仅次于α狼，作为α狼的顾问与接班人，协助管理种群并参与决策，对应次优解，为种群搜索提供辅助导向。 • δ狼（支配狼）：第三等级灰狼，包括侦察兵、哨兵、捕猎者等，服从α和β狼的指令，同时支配ω狼，对应第三优解，补充种群搜索的多样性。 • ω狼（普通狼）：最低等级，数量最多，完全服从上层灰狼，对应其余候选解，跟随α、β、δ狼的方向更新位置，是种群搜索的主要执行群体。 算法始终追踪α、β、δ三只最优灰狼的位置，利用它们的信息引导整个种群（尤其是ω狼）的搜索方向，避免单一最优解导致的局部收敛问题。
-
狩猎行为模拟 GWO 将灰狼狩猎过程拆解为包围、追捕、攻击三个阶段，通过数学模型转化为算法的搜索机制： • 包围阶段：灰狼发现猎物后，通过群体协作逐步缩小包围圈。算法中表现为所有灰狼向α、β、δ狼的位置靠拢，缩小搜索范围，逼近潜在最优解。 • 追捕阶段：由α、β、δ狼主导狩猎方向，ω狼跟随领导者移动，通过调整位置追踪'猎物'（最优解）。此阶段通过参数调控平衡全局探索与局部开发。 • 攻击阶段：当猎物停止移动（最优解趋于稳定）时，灰狼发起攻击。算法中对应控制参数 a 减小至接近 0，种群位置收敛到最优解附近，完成局部精细化搜索。
二、数学模型与核心公式
GWO 通过距离向量、位置更新向量及最终位置更新方程，将狩猎行为量化为可计算的数学模型，核心公式如下：
- 距离向量（D） 用于计算当前灰狼与α、β、δ狼（猎物代理）之间的距离，反映个体与最优解的接近程度：
D = |C · X_p(t) - X(t)|
其中：X_p(t) 为α、β、δ狼在第 t 代的位置（猎物位置代理）；X(t) 为当前灰狼在第 t 代的位置；C = 2 · r_2 为系数向量，r_2 是 (0,1) 区间内的随机向量，用于引入随机性，增强全局搜索能力，避免算法陷入局部最优。
- 位置更新向量（A） 控制灰狼的搜索行为（探索或开发），其取值决定灰狼是远离还是靠近领导者：
A = 2 · a · r_1 - a
其中：a 为收敛控制参数，从 2 线性减小至 0（随迭代次数增加）；r_1 是 (0,1) 区间内的随机向量。当 |A| > 1 时，灰狼倾向于探索新区域（远离领导者）；当 |A| < 1 时，灰狼倾向于开发局部区域（靠近领导者）。
- 最终位置更新方程 由于算法无法预知真实最优解，通过α、β、δ狼的位置加权平均，引导其他灰狼更新位置，兼顾搜索精度与多样性：
X_1 = X_α - A_1 · |C_1 · X_α - X|
X_2 = X_β - A_2 · |C_2 · X_β - X|
X_3 = X_δ - A_3 · |C_3 · X_δ - X|
X(t+1) = (X_1 + X_2 + X_3) / 3
其中：X_1、X_2、X_3 分别为当前灰狼向α、β、δ狼靠拢后的潜在位置；X(t+1) 为第 t+1 代灰狼的最终位置，通过三者平均平衡多方向引导，提升解的稳定性。
三、算法流程
GWO 的实现流程简洁，核心步骤可分为初始化、迭代优化与结果输出三部分，具体如下：
- 种群初始化：设定算法参数（灰狼数量、最大迭代次数、搜索空间上下界 lb/ub、问题维度 dim），随机生成 N 只灰狼的初始位置，构成初始种群（候选解集合）。
- 适应度评估：计算每只灰狼的目标函数值（适应度），评估候选解的优劣。
