智能優化演算法路徑規劃圖

Ⅰ 智能無人系統要用哪些路徑

獲取智能體的路徑優化函數
1、基於不動點定理，將所述智能體的路徑優化函數轉換為等價的不動點方程；
2、基於所述不動點方程，獲取完備單純形序列；
3、基於所述完備單純形序列確定粒子群優化演算法的初始種群規模和粒子初始位置，實現智能體的最優路徑規劃。隨著現代技術的發展，飛行器種類不斷變多，應用也日趨專一化、完善化，如專門用作植保的大疆PS-X625無人機，用作街景拍攝與監控巡察的寶雞行翼航空科技的X8無人機，以及用作水下救援的白鯊MIX水下無人機等，決定飛行器性能主要是內部的飛控系統和外部的路徑規劃問題。就路徑問題而言，在具體實施任務時僅靠操作員手中的遙控器控制無人飛行器執行相應的工作，可能會對操作員心理以及技術提出極高的要求，為了避免個人操作失誤，進而造成飛行器損壞的危險，一種解決問題的方法就是對飛行器進行航跡規劃。

Ⅱ 移動機器人路徑規劃演算法研究綜述（一）

移動機器人路徑規劃: 指的是各種感測器對機器人自身的影響，依照環境的感知，通過一個或多個評判標准規劃安全的運行路線，尋找出一條機器人能從從起始點運動到目標點的最佳路線。在規劃中根據機器人功能用一定的演算法計算機器人繞過某些必要的障礙物所需要完成的時間和效率，上述講到可以將計算機路徑規劃分為全局和局部路徑。全局路徑和局部路徑各有各的優勢，我們要在此基礎上，在機器人繞開障礙物的同時也要盡量選擇最優路線。

全局規劃 ： 在於全面解決環境的規劃問題，全局路徑規劃是在整體的環境下 在環境尋找最優路徑，最終引導路徑從起始點到最終點 所成為的是最優路徑。

局部規劃 ：說重點是在表示對未知或者已經知道的部分路徑問題。因 為局部路徑規劃的不確定性，所以具有很高的靈活性，在 工作中根據環境去調整。但因為是局部環境特徵，所以路 徑只能代表局部最優。

圖搜索演算法基於各種演算法，其中有代表性的是A*演算法，以移動機器人作為關鍵部分，將機器人和障礙物在移動過程中看做各種有目標的關鍵點，在機器人繞障礙物的時候將它以點成線，以線成面，將其構成一個圖，這個圖叫做可視圖。因為可視圖的目標點是可以看見的，從個點到另一個點需設置成清晰可見的兩個頂點。圖搜索就會變成像數學問題中求最短路線的問題，從起點到目標點最短的距離。通過優化演算法，刪除不必要的連線，簡化可視圖，縮短搜索時間。該方法可以算出最優的距離，可以准確計算使機器人靠近障礙物時迅速的閃躲。

A*演算法在說圖搜索法的時候講到過，它相對來講最有效求解最短路徑的方法它通過控制實驗使其走過從開始到結束的所有設立的點，然後通過數據計算選擇一個最短的路徑作為移動機器人的路徑，它通過這種方法進行進一步的 探索 研究，一次次的找出最短和最長的路徑。其中很多前輩都用自己獨特的方法做這種實驗，具有代表性的有王中玉和李強，像李強就是一個目標向另一個目標的節點性擴展，有效減少了實驗過程的繁瑣問題，提高了實驗的效率。

智能仿生演算法是模模仿自然界中動物進化或者有些昆蟲覓食捕獵的行為，利用動物的方法來解決研究中的各項閘題。.其中包括蟻群氟法和料群演算法等。

蟻群演算法是受自然界中螞蟻覓食這種行為啟發而產生的演算法，這種方法也叫ACA，最早在1991年提出，他們發現螞蟻在覓食的過程中，通過分泌一種叫做信息素的東西，會在已走過的道路上留下痕跡螞蟻走的越多，留下來的信息素就會越多，後來再次覓食的螞蟻就會根據信息素來確定自己要走的路線，搜索信息素濃度最高的最短路徑，這樣最優路徑就會被選出來了。根據文獻中對於這種信息的分析，全局路徑在螞蟻群法中會被根據螞蟻數量，期望啟發因子和信息素的數量做影響我們要根據所有可能出現新的問題的方向，考慮各種因素，通過移動機器人規劃路徑，使路徑快速准確的收斂於最優路徑，從信息素改進，提高演算法的收斂速度和螞蟻的搜索效率。

這是目前來看較為有效的解決組合優化問題時的演算法。這種通過研究金屬熱在演算法中被處理時的有效退火， 在開始的時候控制金屬環溫度的有效降低，在發生突變事件時，有效進行隨機搜索，在出現狀況的同時簡單收集數據。 模擬退火演算法的優勢是簡單有效，控制的數據相對較少，具有彈性等，但同時也會出現概率性，發生速度慢等問題。 通過模擬退火法進行局部路徑規劃可以進行簡單的促使路徑脫離原始路徑，發現新的跳躍的目標點，最終達到自己所要找的最優路徑。

人工勢場是將機器人所在的環境路徑規劃，做成人工場中的運動，這是一種抽象的人造受力場， 通過目標點對機器人產生的「引力」以及障礙物產生的「斥力」來移動機器人的運動輸出，還有在各種環境下產生的合力來確定機器人的輸出。 這種方式的優點是結構簡單，便於底層的實時控制，規劃出來的路徑一般是比較平滑並且安全，但仍存在局部最優和易在狹窄通道中動盪的缺點。當環境的要求比較過的時候，它的虛擬合力便會成為零，這就會進一步導致機器人不能繼續執行任務[圓。利用人工勢場啟發函數，實現全局最優，避免局部最優。針對人工勢場法存在的缺陷，引入斥力模型，在路徑規劃時機器人便可以避開局部極小點，進一步優化路徑規劃中的問題。

（1）現有演算法的改進。雖然關於路徑規劃演算法很多，並且取得很多成果，但是每種演算法都有自己的局限性，不能很好地適應更復雜的環境，因此對演算法進行不斷的創新改進儼然成為了一個成本相對較低突破點；
（2）多機器人協同路徑的研究。隨著機器人工作環境的不斷擴大、任務的復雜度的增加以及應用范圍的擴大，系統需根據環境和任務在保證成員之間相互交換信息的前提下高效、快速、准確地組織多個機器人協同並行的完成多個任務。

（3）新路徑規劃演算法的研究。隨著 科技 的發展，尋找更新更優的路徑規劃演算法解決復雜的路徑規劃問題將會成為一種趨勢[]。比如近幾年興起的深度學習、強化學習等或是未來新的仿生演算法的出現。
（4）路徑規劃演算法的有效結合。任何的單一路徑規劃演算法都不可能解決所有實際應用中的路徑規劃問題，特別是面對復雜環境下的任務，加之研究新演算法的難度較大，將出現更多的相互結合的路徑規劃演算法來彌補彼此的不足。

機器人路徑規劃技術研究主要集中在以下幾個方面：（1）新的路徑方法的研究；（2）機器人底層控制與路徑規劃演算法的結合研究；（3）多機器人任務分配、通信協作及路徑規劃的研究。

Ⅲ 有哪些應用於移動機器人路徑規劃的演算法

機器人家上了解到，在二維二值地圖（FREE or OCCUPIED）場景下進行路徑規劃的方法。我看之前有同學在回答的時候配上了這幅圖：

這幅圖上的演算法羅列的還是很全面的，體現了各個演算法的出生順序。但是並不能很好的對他們進行一個本質的分類。剛剛那位同學說的graph-based和sampling-based的分類方法我感覺有點概念重疊不能夠對規劃演算法進行這樣的分類，下面通過自己這一年多的研究和實踐對規劃演算法進行一個簡單的分類：

這幅圖上的演算法羅列的還是很全面的，體現了各個演算法的出生順序。但是並不能很好的對他們進行一個本質的分類。剛剛那位同學說的graph-based和sampling-based的分類方法我感覺有點概念重疊不能夠對規劃演算法進行這樣的分類，下面通過自己這一年多的研究和實踐對規劃演算法進行一個簡單的分類：

兩大類：
1. 完備的（complete)
2. 基於采樣的（sampling-based）又稱為概率完備的

一 完備的規劃演算法

A*演算法

所謂完備就是要達到一個systematic的標准，即：如果在起始點和目標點間有路徑解存在那麼一定可以得到解，如果得不到解那麼一定說明沒有解存在。
這一大類演算法在移動機器人領域通常直接在occupancy grid網格地圖上進行規劃（可以簡單理解成二值地圖的像素矩陣）以深度優先尋路演算法、廣度優先尋路演算法、Dijkstra(迪傑斯特拉)演算法為始祖，以A*演算法(Dijstra演算法上以減少計算量為目的加上了一個啟發式代價)最為常用，近期的Theta*演算法是在A*演算法的基礎上增加了line-of-sight優化使得規劃出來的路徑不完全依賴於單步的柵格形狀（答主以為這個演算法意義不大，不就是規劃了一條路徑再簡單平滑了一下么）。
完備的演算法的優勢在與它對於解的捕獲能力是完全的，但是由此產生的缺點就是演算法復雜度較大。這種缺點在二維小尺度柵格地圖上並不明顯，但是在大尺度，尤其是多維度規劃問題上，比如機械臂、蛇形機器人的規劃問題將帶來巨大的計算代價。這樣也直接促使了第二大類演算法的產生。

二 基於采樣的規劃演算法

RRT-connect演算法
這種演算法一般是不直接在grid地圖進行最小柵格解析度的規劃，它們採用在地圖上隨機撒一定密度的粒子來抽象實際地圖輔助規劃。如PRM演算法及其變種就是在原始地圖上進行撒點，抽取roadmap在這樣一個拓撲地圖上進行規劃；RRT以及其優秀的變種RRT-connect則是在地圖上每步隨機撒一個點，迭代生長樹的方式，連接起止點為目的，最後在連接的圖上進行規劃。這些基於采樣的演算法速度較快，但是生成的路徑代價（可理解為長度）較完備的演算法高，而且會產生「有解求不出」的情況（PRM的逢Narrow space卒的情況）。這樣的演算法一般在高維度的規劃問題中廣泛運用。

三 其他規劃演算法
除了這兩類之外還有間接的規劃演算法：Experience-based（Experience Graph經驗圖演算法）演算法：基於經驗的規劃演算法，這是一種存儲之前規劃路徑，建立知識庫，依賴之進行規劃的方法，題主有興趣可以閱讀相關文獻。這種方法犧牲了一定的空間代價達到了速度與完備兼得的優勢。此外還有基於廣義Voronoi圖的方法進行的Fast-marching規劃，類似dijkstra規劃和勢場的融合，該方法能夠完備地規劃出位於道路中央，遠離障礙物的路徑。答主最近也在研究此類演算法相關的工作。

APF（人工勢場）演算法

至於D* 、勢場法、DWA(動態窗口法)、SR-PRM屬於在動態環境下為躲避動態障礙物、考慮機器人動力學模型設計的規劃演算法。

Ⅳ 代碼！！！－－基於遺傳演算法在路徑規劃優化中的應用

遺傳演算法， 是人工智慧的一種演算法的。

以前圖書館有看到， 很多相關的書的，不要寄望於自己什麼都不做，就找人家幫忙啦。

Ⅳ 機器人路徑規劃中傳統演算法和智能演算法的區別

傳統演算法雖然結果一定是最優解，但是運算量極大，可能會有lag。
相反，採用一定的智能演算法，雖然每次選擇不一定最優，但是基本上都能快速（<=0.1s）判斷，而且只要設定一定的糾錯演算法，總體效率遠高於傳統演算法。

Ⅵ IOTMS怎麼智能規劃路線，優化路徑

IOTMS系統通過獲取訂單系統的訂單信息，計算每個門店所需貨物的重量、體積等信息，系統根據門店的位置信息以及配送車的體積，計算出車輛所裝載的貨物以及途徑的門店，行成一條配送路線。同時，圖川智能IOTMS系統，結合GPS定位系統以及實時路況，對排車及路線進行優化，經過精細化的計算，對配送路線進行優化，從而形成最優的配送路線，提高車輛滿載率，提升貨物配送效率。

Ⅶ 什麼是智能優化演算法

群體智能優化演算法是一類基於概率的隨機搜索進化演算法，各個演算法之間存在結構、研究內容、計算方法等具有較大的相似性。因此，群體智能優化演算法可以建立一個基本的理論框架模式：

Step1：設置參數，初始化種群；

Step2：生成一組解，計算其適應值；

Step3：由個體最有適應著，通過比較得到群體最優適應值；

Step4：判斷終止條件示否滿足？如果滿足，結束迭代；否則，轉向Step2；

各個群體智能演算法之間最大不同在於演算法更新規則上，有基於模擬群居生物運動步長更新的（如PSO，AFSA與SFLA），也有根據某種演算法機理設置更新規則（如ACO）。

(7)智能優化演算法路徑規劃圖擴展閱讀

優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。

優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。

Ⅷ 路徑規劃有幾種方法

路徑規劃模塊需要根據局部環境感知、可用的全局車道級路徑、相關交通規則，提供能夠將車輛引導向目的地（或目的點）的路徑。路徑規劃可分為全局路徑規劃方法、局部路徑規劃方法和混合路徑規劃方法三種。

Ⅸ 誰能簡單解釋一下 谷歌，搜狗地圖是如何實現自動路徑規劃的

一般採用的是A*路徑規劃演算法
網路對此演算法有詳細的介紹：
http://ke..com/view/7850.htm

Ⅹ 智能優化演算法：灰狼優化演算法

@[toc]
摘要：受 灰 狼 群 體 捕 食 行 為 的 啟 發，Mirjalili等[1]於 2014年提出了一種新型群體智能優化演算法：灰狼優化演算法。GWO通過模擬灰狼群體捕食行為，基於狼群群體協作的機制來達到優化的目的。 GWO演算法具有結構簡單、需要調節的參數少，容易實現等特點，其中存在能夠自適應調整的收斂因子以及信息反饋機制，能夠在局部尋優與全局搜索之間實現平衡，因此在對問題的求解精度和收斂速度方面都有良好的性能。

灰狼屬於犬科動物，被認為是頂級的掠食者，它們處於生物圈食物鏈的頂端。灰狼大多喜歡群居，每個群體中平均有5-12隻狼。特別令人感興趣的是，它們具有非常嚴格的社會等級層次制度，如圖1所示。金字塔第一層為種群中的領導者，稱為 α 。在狼群中 α 是具有管理能力的個體，主要負責關於狩獵、睡覺的時間和地方、食物分配等群體中各項決策的事務。金字塔第二層是 α 的智囊團隊，稱為 β 。 β 主要負責協助α 進行決策。當整個狼群的 α 出現空缺時，β 將接替 α 的位置。 β 在狼群中的支配權僅次於 α，它將 α 的命令下達給其他成員，並將其他成員的執行情況反饋給 α 起著橋梁的作用。金字塔第三層是 δ ，δ 聽從 α 和 β 的決策命令，主要負責偵查、放哨、看護等事務。適應度不好的 α 和 β 也會降為 δ 。金字塔最底層是 ω ，主要負責種群內部關系的平衡。

<center>圖1.灰狼的社會等級制度

此外，集體狩獵是灰狼的另一個迷人的社會行為。灰狼的社會等級在群體狩獵過程中發揮著重要的作用，捕食的過程在 α 的帶領下完成。灰狼的狩獵包括以下 3個主要部分：
1）跟蹤、追逐和接近獵物；
2）追捕、包圍和騷擾獵物，直到它停止移動；
3）攻擊獵物

在狩獵過程中，將灰狼圍捕獵物的行為定義如下：

式（1）表示個體與獵物間的距離，式（2）是灰狼的位置更新公式。其中, 是目前的迭代代數， 和 是系數向量， 和 分別是獵物的位置向量和灰狼的位置向量。 和 的計算公式如下：

其中， 是收斂因子，隨著迭代次數從2線性減小到0, 和 的模取[0,1]之間的隨機數。

灰狼能夠識別獵物的位置並包圍它們。當灰狼識別出獵物的位置後，β 和 δ 在 α 的帶領下指導狼群包圍獵物。在優化問題的決策空間中，我們對最佳解決方案（獵物的位置）並不了解。因此，為了模擬灰狼的狩獵行為，我們假設 α ，β 和 δ 更了解獵物的潛在位置。我們保存迄今為止取得的3個最優解決方案，並利用這三者的位置來判斷獵物所在的位置，同時強迫其他灰狼個體（包括 ω ）依據最優灰狼個體的位置來更新其位置，逐漸逼近獵物。狼群內個體跟蹤獵物位置的機制如圖2所示。

<center>圖2.GWO 演算法中灰狼位置更新示意圖

灰狼個體跟蹤獵物位置的數學模型描述如下:

其中， 分別表示分別表示 α ， β 和 δ 與其他個體間的距離。 分別代表 α ， β 和 δ 的當前位置； 是隨機向量， 是當前灰狼的位置。

式(6)分別定義了狼群中 ω 個體朝向 α ，β 和 δ 前進的步長和方向，式(7)定義了 ω 的最終位置。

當獵物停止移動時，灰狼通過攻擊來完成狩獵過程。為了模擬逼近獵物， 的值被逐漸減小，因此 的波動范圍也隨之減小。換句話說，在迭代過程中，當 的值從2線性下降到0時，其對應的 的值也在區間[-a,a]內變化。如圖3a所示，當 的值位於區間內時，灰狼的下一位置可以位於其當前位置和獵物位置之間的任意位置。當 時，狼群向獵物發起攻擊（陷入局部最優）。

灰狼根據 α ,β 和 δ 的位置來搜索獵物。灰狼在尋找獵物時彼此分開，然後聚集在一起攻擊獵物。基於數學建模的散度，可以用 大於1 或小於-1 的隨機值來迫使灰狼與獵物分離，這強調了勘探（探索）並允許 GWO 演算法全局搜索最優解。如圖3b所示， 強迫灰狼與獵物（局部最優）分離，希望找到更合適的獵物（全局最優）。GWO 演算法還有另一個組件 來幫助發現新的解決方案。由式(4)可知， 是[0,2]之間的隨機值。 表示狼所在的位置對獵物影響的隨機權重， 表示影響權重大，反之，表示影響權重小。這有助於 GWO演算法更隨機地表現並支持探索，同時可在優化過程中避免陷入局部最優。另外，與 不同 是非線性減小的。這樣，從最初的迭代到最終的迭代中，它都提供了決策空間中的全局搜索。在演算法陷入了局部最優並且不易跳出時， 的隨機性在避免局部最優方面發揮了非常重要的作用，尤其是在最後需要獲得全局最優解的迭代中。

<center>圖4.演算法流程圖

[1] Seyedali Mirjalili,Seyed Mohammad Mirjalili,Andrew Lewis. Grey Wolf Optimizer[J]. Advances in Engineering Software,2014,69.

[2] 張曉鳳,王秀英.灰狼優化演算法研究綜述[J].計算機科學,2019,46(03):30-38.

https://mianbaoo.com/o/bread/Z5ecmZc=
文獻復現：
文獻復現：基於翻筋斗覓食策略的灰狼優化演算法（DSFGWO）
[1]王正通,程鳳芹,尤文,李雙.基於翻筋斗覓食策略的灰狼優化演算法[J/OL].計算機應用研究:1-5[2021-02-01]. https://doi.org/10.19734/j.issn.1001-3695.2020.04.0102 .

文獻復現：基於透鏡成像學習策略的灰狼優化演算法（LIS-GWO）
[1]龍文,伍鐵斌,唐明珠,徐明,蔡紹洪.基於透鏡成像學習策略的灰狼優化演算法[J].自動化學報,2020,46(10):2148-2164.

文獻復現：一種優化局部搜索能力的灰狼演算法（IGWO）
[1]王習濤.一種優化局部搜索能力的灰狼演算法[J].計算機時代,2020(12):53-55.

文獻復現：基於自適應頭狼的灰狼優化演算法（ALGWO）
[1]郭陽,張濤,胡玉蝶,杜航.基於自適應頭狼的灰狼優化演算法[J].成都大學學報(自然科學版),2020,39(01):60-63+73.

文獻復現：基於自適應正態雲模型的灰狼優化演算法 （CGWO）
[1]張鑄,饒盛華,張仕傑.基於自適應正態雲模型的灰狼優化演算法[J/OL].控制與決策:1-6[2021-02-08]. https://doi.org/10.13195/j.kzyjc.2020.0233 .

文獻復現：改進非線性收斂因子灰狼優化演算法
[1]王正通,尤文,李雙.改進非線性收斂因子灰狼優化演算法[J].長春工業大學學報,2020,41(02):122-127.

文獻復現：一種基於收斂因子改進的灰狼優化演算法
[1]邢燕禎,王東輝.一種基於收斂因子改進的灰狼優化演算法[J].網路新媒體技術,2020,9(03):28-34.

文獻復現:基於萊維飛行和隨機游動策略的灰狼演算法（GWOM ）
[1]李陽,李維剛,趙雲濤,劉翱.基於萊維飛行和隨機游動策略的灰狼演算法[J].計算機科學,2020,47(08):291-296.

文獻復現:一種改進的灰狼優化演算法(EGWO)
[1]龍文,蔡紹洪,焦建軍,伍鐵斌.一種改進的灰狼優化演算法[J].電子學報,2019,47(01):169-175.

文獻復現:改進收斂因子和比例權重的灰狼優化演算法(CGWO)
[1]王秋萍,王夢娜,王曉峰.改進收斂因子和比例權重的灰狼優化演算法[J].計算機工程與應用,2019,55(21):60-65+98.

文獻復現:一種改進非線性收斂方式的灰狼優化演算法研究(CGWO)
[1]談發明,趙俊傑,王琪.一種改進非線性收斂方式的灰狼優化演算法研究[J].微電子學與計算機,2019,36(05):89-95.

文獻復現:一種基於Tent 映射的混合灰狼優化的改進演算法(PSOGWO)
[1]滕志軍,呂金玲,郭力文,許媛媛.一種基於Tent映射的混合灰狼優化的改進演算法[J].哈爾濱工業大學學報,2018,50(11):40-49.

文獻復現:基於差分進化與優勝劣汰策略的灰狼優化演算法(IGWO)
[1]朱海波,張勇.基於差分進化與優勝劣汰策略的灰狼優化演算法[J].南京理工大學學報,2018,42(06):678-686.

文獻復現:基於 Iterative 映射和單純形法的改進灰狼優化演算法(SMIGWO)
[1]王夢娜,王秋萍,王曉峰.基於Iterative映射和單純形法的改進灰狼優化演算法[J].計算機應用,2018,38(S2):16-20+54.

文獻復現:一種基於混合策略的灰狼優化演算法(EPDGWO)
[1]牛家彬,王輝.一種基於混合策略的灰狼優化演算法[J].齊齊哈爾大學學報(自然科學版),2018,34(01):16-19+32.

文獻復現:基於隨機收斂因子和差分變異的改進灰狼優化演算法(IGWO)
[1]徐松金,龍文.基於隨機收斂因子和差分變異的改進灰狼優化演算法[J].科學技術與工程,2018,18(23):252-256.

文獻復現:一種基於差分進化和灰狼演算法的混合優化演算法(DEGWO)
[1]金星,邵珠超,王盛慧.一種基於差分進化和灰狼演算法的混合優化演算法[J].科學技術與工程,2017,17(16):266-269.

文獻復現:協調探索和開發能力的改進灰狼優化演算法(IGWO)
[1]龍文,伍鐵斌.協調探索和開發能力的改進灰狼優化演算法[J].控制與決策,2017,32(10):1749-1757.

文獻復現:基於Cat混沌與高斯變異的改進灰狼優化演算法(IGWO)
[1]徐辰華,李成縣,喻昕,黃清寶.基於Cat混沌與高斯變異的改進灰狼優化演算法[J].計算機工程與應用,2017,53(04):1-9+50.

文獻復現:具有自適應搜索策略的灰狼優化演算法(SAGWO)
[1]魏政磊,趙輝,韓邦傑,孫楚,李牧東.具有自適應搜索策略的灰狼優化演算法[J].計算機科學,2017,44(03):259-263.

文獻復現:採用動態權重和概率擾動策略改進的灰狼優化演算法(IGWO)
[1]陳闖,Ryad Chellali,邢尹.採用動態權重和概率擾動策略改進的灰狼優化演算法[J].計算機應用,2017,37(12):3493-3497+3508.

文獻復現:具有自適應調整策略的混沌灰狼優化演算法(CLSGWO)
[1]張悅,孫惠香,魏政磊,韓博.具有自適應調整策略的混沌灰狼優化演算法[J].計算機科學,2017,44(S2):119-122+159.

文獻復現:強化狼群等級制度的灰狼優化演算法(GWOSH)
[1]張新明,塗強,康強,程金鳳.強化狼群等級制度的灰狼優化演算法[J].數據採集與處理,2017,32(05):879-889.

文獻復現:一種新型非線性收斂因子的灰狼優化演算法(NGWO)
[1]王敏,唐明珠.一種新型非線性收斂因子的灰狼優化演算法[J].計算機應用研究,2016,33(12):3648-3653.

文獻復現:重選精英個體的非線性收斂灰狼優化演算法(EGWO)
[1]黎素涵,葉春明.重選精英個體的非線性收斂灰狼優化演算法[J].計算機工程與應用,2021,57(01):62-68.

https://mianbaoo.com/o/bread/aZ2Wl54=