灰狼算法等

❶ GWO灰狼优化算法

灰狼属于犬科动物，被认为是顶级的掠食者，它们处于生物圈食物链的顶端。灰狼大多喜欢群居，每个群体中平均有5-12只狼。特别令人感兴趣的是，它们具有非常严格的社会等级层次制度，如图1,金字塔第一层为种群中的领导者，称为 α 。
在狼群中 α 是具有管理能力的个体，主要负责关于狩猎、睡觉的时间和地方、食物分配等群体中各项决策的事务。金字塔第二层是 α 的智囊团队，称为 β 。
β 主要负责协助α 进行决策。当整个狼群的 α 出现空缺时，β 将接替 α 的位置。
β 在狼群中的支配权仅次于 α，它将 α 的命令下达给其他成员，并将其他成员的执行情况反馈给 α 起着桥梁的作用。
金字塔第三层是 δ ，δ 听从 α 和 β 的决策命令，主要负责侦查、放哨、看护等事务。
适应度不好的 α 和 β 也会降为 δ 。金字塔最底层是 ω ，主要负责种群内部关系的平衡。

此外，集体狩猎是灰狼的另一个迷人的社会行为。灰狼的社会等级在群体狩猎过程中发挥着重要的作用，捕食的过程在 α 的带领下完成。灰狼的狩猎包括以下 3个主要部分：
1）跟踪、追逐和接近猎物；
2）追捕、包围和骚扰猎物，直到它停止移动；
3）攻击猎物

在狩猎过程中，将灰狼围捕猎物的行为定义如下：

式（1）
式（2）

式（1）表示个体与猎物的距离
式（2）是灰狼的位置更新公式

其中， 是目前迭代代数， 和 是系数向量， 和 分别是猎物的位置向量和灰狼的位置向量。
和 的计算公式如下

式（3）
式（4）

其中， 是收敛因子，随着迭代次数从 2 线性减小到 0， 和 的取模 [0 ,1] 之间的随机数。

灰狼能够识别猎物的位置并包围它们,当灰狼识别出猎物的位置后，β 和 δ 在 α 的带领下指导狼群包围猎物。
在优化问题的决策空间中，我们对最佳解决方案（猎物的位置）并不了解。
因此，为了模拟灰狼的狩猎行为，我们假设 α ，β 和 δ 更了解猎物的潜在位置。
我们保存迄今为止取得的3个最优解决方案，并利用这三者的位置来判断猎物所在的位置，同时强迫其他灰狼个体（包括 ω ）依据最优灰狼个体的位置来更新其位置，逐渐逼近猎物。

灰狼个体跟踪猎物位置的数学模型描述如下:

式（5）

其中，
分别表示 与其它个体间的距离。
分别代表 的当前位置。
是随机向量， 是当前灰狼的位置。

式（6）

式（7）

式（6）分别定义了狼群中 ω 的个体朝向 α ，β 和 δ 前进的步长和方向
式（7）定义了 ω 的最终位置

当猎物停止移动时，灰狼通过攻击来完成狩猎过程。为了模拟逼近猎物， 的值被逐渐减小。因此 的波动范围也随之减小。换句话说，在迭代过程中，当 的值从2线性下降到0时，其对应的 的值也在区间 [-a , a]内变化。
当 的值位于区间内时，灰狼的下一位置可以位于其当前位置和猎物位置之间的任意位置。
当 时，狼群向猎物发起攻击（陷入局部最优）

灰狼根据α ，β 和 δ 的位置和搜索猎物。灰狼在寻找猎物时彼此分开，然后聚集在一起攻击猎物。
基于数据建模的散度，可以用 或 的随机值来迫使灰狼与猎物分离，这强调了探索并允许GWO算法全局搜索是解。
GWO算法还有另一个组件 来帮助发现新的解决方案。
由式（4）可知， 是 [0,2] 之间的随机值。 表示狼所在的位置对猎物影响的随机权重， 表示影响权重大，反之表示影响权重小。这有助于GWO算法更随机地表现并支持探索，同时可在优化过程中避免陷入局部最优。
另外， 不同 ， 是非线性减小的，这样从最初的迭代到最终的迭代中，它都提供了决策空间中的全局搜索。
在算法陷入了局部最优并且不易跳出时， 的随机性在避免局部最优方面发挥了非常重要的作用，尤其是在最后需要获得全局最优解的迭代中。

❷ 优化算法笔记（十七）万有引力算法

（以下描述，均不是学术用语，仅供大家快乐的阅读）
万有引力算法（Gravitational Search Algorithm）是受物体之间的万有引力启发而提出的算法。算法提出于2008（2009）年，时间不长，不过相关的文章和应用已经相对较多，也有不少的优化改进方案。
万有引力算法中，每一个物体的位置代表了一个可行解，而物体的质量则反映了该位置的好坏，位置越好的物体的质量越大，反之物体的质量越小（质量由适应度值计算出，不是直接相等）。物体在解空间中的运动方式由其他物体的引力决定，质量越大的物体，在同等引力作用下的加速度较小，所以单位时间内的速度也相对较小，位移距离较短，反之加速度和速度都较大，位移距离较长。故可以简单的认为， 位置越优的个体的移动速度越慢，位置越差的个体的移动速度越快 。

万物之间皆有万有引力，不过在我们谈到万有引力之时，对象大多是天体，否则万有引力太小可以忽略不计。所有这次我们的主角就是天体了。（总不可能是苹果吧）。

每一个天体都有个属性：位置X，质量M，加速度A，以及速度V，还有适应度值F。
在D维空间内有N个天体，其位置为

，加速度

，速度

，其适应度值为

。

第i个天体的质量则是根据其适应度值计算得出：

其中M为天体的质量在群体重质量中的占比， 分别表示全局最差天体的适应度值和全局最优个体的适应度值。
可以看出，处于最优位置的天体的质量m为1，最差位置的天体的质量m为0。当最优天体和最差天体重合时，所有的天体的质量m都为1。

由万有引力计算公式和加速度公式可以计算出当前天体收到另一个天体万有引力而产生的加速度：

其中R表示第i个天体和第j个天体之间的欧式距离，aij为天体i在第d维上受到天体j的万有引力而产生的加速度,ai为第i个天体受到的其他所有天体万有引力的合力产生的加速度。G为万有引力常量，可以根据一下公式计算：

其中G0为初始值，T为最大迭代次数。

计算出了天体的加速度，则可以根据当前速度计算出下一步天体的运行速度以及天体下一步的位置。

这一步比较简单与粒子群、蝙蝠等有速度的算法一致。

可以看出万有引力算法的流程异常的简单，与经典的粒子群差不多。万有引力算法也可以看做是一个优化改进版的粒子群，不过设计比较巧妙，引入的质量、加速度等概念，但实现仍然很简单。万有引力算法的效果如何，在下一节将会进行实验测试。

适应度函数 。
实验一：

从图像中可以看出，各个天体都在不停的运动，由于没有贪心算法（优于当前值才改变位置）的加入，所以个天体有可能运动到比原先位置更差的地方，而且其收敛速度也比较快。
从结果上看，似乎还不错，受到最差值的影响均值也相对较大，算法结果的稳定性不是太好。
直觉上感觉算法有点问题。根据物理得来的直觉告诉我，这些天体会相互靠近，所以，它们不会集中到它们所构成的凸包之外， 凸实心物体的质心不会跑到该物体的外部 。做个试验验证一下，将测试函数的最优解设置到一个极端的位置。
实验二 ： 适应度函数

这次最优解位置在（90,90）处，该点有很大概率出现在初始天体所围成的凸多边形外。

从图像中可以看出，在天体们还没有到达最优位置附近（右下角的红点）时，它们已经收敛于一个点，之后则很难再次向最优解靠经。看结果可以发现几乎每一次实验的结果都不太好，算法果然有点问题，不过问题不大。
万有引力出现这种现象可能有两个原因： 1.算法收敛的太快 ，还未对全局进行充分搜索之时就收敛到了一点，收敛到一点后无法再运到。 2.算法没有跳出局部最优的策略 ，万有引力作用下的天体慢慢聚集到奇点，形成黑洞，无法从中逃离。
那接下来，对万有引力算法的改进方向也比较明确了：1.减缓其收敛速度，2增加跳出局部最优操作，使之逃离黑洞。
看看万有引力常量G的函数图像

将万有引力常量的值修改为随着迭代次数线性下降，从图像中可以看出，效果还是比较明显的，天体在不断的运动，最后才收敛、聚集于一起。从实验结果也可以看出，算法相对稳定。结合图像可以知道，改进后，算法的收敛性下降，但全局搜索能力有较大的提升，算法的结果不会很差但是精度较低。

将万有引力常量的下降趋势放缓为原来的1/4，从图像中可以看出，算法的收敛速度非常快，也得到了较好的结果，相比线性下降，算法有着更好的精度，不足之处则是没有跳出局部最优的操作，收敛过快也容易陷入局部最优。
不知道原文为什么让万有引力常量G的如此快的降到0，明明降的更慢能有更好的全局搜索能力，但精度可能较差。猜测如果精度较差则在测试函数结果和曲线上比不赢对比的其他算法，论文没法发了。其使用的测试函数的最优解大多处于解空间的中心位置附近，即很少出现最优解在天体所围成的凸多面体之外的情况，而实际问题中我们是无法预知最优解在个位置的。
接下来，将试着为万有引力算法加入一点跳出局部最优的操作。

实验四 ：改进,新增以下规则及操作
在实验二的条件下
1 . 处于最优位置的天体保持自己的位置不动.
2 . 如果某一个天体的运动后的位置优于当前全局最优个体的位置则将当前的最优个体初始化到解空间的随机位置.(将被自己干掉的大哥流放)。
3 . 如果触发了规则2，将所有的个体的以迭代次数重置为0，即计算G=G0*e^(-20t/T)中的t置为0，重新计算万有引力常量，若未触发条件2则t=t+1。

从图像上看，算法的全局搜索能力有大幅的增强，并且已经集中到了最优解的附近，而且由于加入了“流放”这一跳出局部最优的操作，可以看出，不断的有新的个体出现在距最优位置较远的位置。不过收敛速度有所下降，因此局部搜索能力有一定减弱。
看结果，好像没有实验三那么好，但与实验二相比，已经有了很大的提升，而且有了跳出局部最优的操作，结果也相对稳定。
上述的实验仅仅是对直观猜想的实现，如果想以此为改进点，还要对其进行大量的调优，相信会有不错的结果。

万有引力算法根据万有引力提出，结合了牛顿第二定律，可以说其操作步骤与真实的物理规律非常的贴切。不过就像前文说过，受物理现象启发而来的优化算法其性能是未知的，因为它们不具备智能，只有着规律，有规律就会存在弱点，就会有搜索盲区。宇宙那么大，肯定存在没有任何天体到达过的空间。
不过由于万有引力算法流程简单，理解方便，其优化方案和能改进的地方相对较多。万有引力算法的收敛速度过快，导致其全局搜索能力较弱而局部搜索能力很强，容易陷入局部最优。根据其特点，我们可以降低其收敛速度或者增加跳出局部最优操作，来平衡算法的各个性能。

参考文献
Rashedi E , Nezamabadi-Pour H , Saryazdi S . GSA: A Gravitational Search Algorithm[J]. Information Sciences, 2009, 179(13):2232-2248. 提取码：xhpa

以下指标纯属个人yy,仅供参考

目录
上一篇 优化算法笔记（十六）混合蛙跳算法
下一篇 优化算法笔记（十八）灰狼算法

优化算法matlab实现（十七）万有引力算法matlab实现

❸ ip术语翻译

‍

友 导 读

IP这个互联网时代的热词，由流量决定，是存在于精神领域的文化逻辑，一旦被认知，就会自发性传播。IP就是一个具有人格化的“虚拟生命”，此“生命”的意义在于“强烈被用户需要”。

IP的实相是什么？不是什么？它有什么利益相关方，具有什么属性和价值？在本文中，陈智慧老师结合了大量的实例阐释了上述问题，并指出卓越IP的诞生，会带着它独特的使命成为人类社会的朋友、成为人心连接的纽带、成为精神共鸣的知音，甚至成为“上帝”之心，决定着社会资源和精神能量的支配源。

日前，在“2017年度中国十大学术热点发布会”中正式发布的2017年度中国十大学术热点，“IP产业发展与网络文艺新形态”位列其中，相关情况介绍可点击阅读原文了解更多。

本文长度约8833字，阅读全文大概需要8分钟

本文重点：

IP在当今是个热词

那么IP到底是啥东东？

IP的实相是什么？——虚拟生命？！

IP不是什么？

IP 的属性与价值

IP的“家族”——利益相关方

卓越IP进化论？

IP的核心价值

IP在当今是个热词

曾经有人预言，IP很快因泛滥而被抛弃，可事实上，却越来越成为一个常用词。为什么？

IP符合语言的三大个性：
1、简单易记易传播：IP本来就是伴随网络而生，不过今天赋予了新的文化意义，但这个词简单，且运用广泛。
2、特别丰富的内涵：在互联网时代，IP是知识经济的专属名词。过去的物权时代，大家问的是此物属于谁？今天的问法改变了，这个IP是哪里来的？它的涵义是针对某个创造性的心智知识的具体表达。比如“时光鸡”，就是出自电影《十万个冷笑话》里的经典造型（冷笑话的英雄）。
3、具有通用性但不确指：比如当前时代汉语出现频率相当高的常用词是：“法律、市场、资金、责任、成功、精神、文化、价值观”等等。每一个词都有通用性，是中性词，但并不确指某个具体的事物，甚至于每个人心里的认知都有很大差别。而IP就是这样一个词，它将随着区块链的发展而变得更重要且频率更高。

那么IP到底是啥东东？

IP:intellectual property，按照翻译的原意，是才智属性、智力财产，或才智所有权。

然而，属性、财产、所有权都是物权时代的说法，这大概就是人们无法真正理解和领悟的根源！

为什么？

首先，IP是属于互联网时代，而不属于物权时代；物权时代是谁拥有、谁支配的交易逻辑，所以一定要问归属权的主体，因此才有财产一说。

互联网时代是谁分享、谁使用自传播的逻辑，IP是信息分发的过程生成的，是由流量决定的；因此网络的概念是不准确的；其次，IP是文化逻辑，不是商业逻辑；文化逻辑是可感知、可想象的，不存在于现实世界，但存在于精神领域的。

比如哪咤或者孙悟空，虽然不在现实世界，但是只要提及，大多数华人立即就会关联种种故事，乃至各种想象，以及人们会口耳相传、相互分享传播，从而喜闻乐见，千年不绝。

商业逻辑是交易逻辑，交易结束，各归其主。即使是不断传播，也都是单向地重复性投入，在过去有限的、受控的媒介体那里，人们只能被动接受，而今天可选择的空间越来越大，从而导致广告变成文化的附载物。

IP自其诞生日，虽然开始也需要传播推动，但是一旦被认知，就会自发性传播，因为这是文化逻辑，非商业逻辑——因为在个性化的时代，即使花钱让人看，也会有很多人拒绝的。比如《战狼2》，拿下56亿元的最高票房，不可能是商业自身实现的，而是它的故事性，以及故事传达的中国人当下渴望自强、自信、不屈不挠的文化精神逻辑，推进下实现的。

再次，IP是精神消费，不是物质消费。物质消费的现象是消费即结束，人不可能吃掉一个馒头就自发生成两个馒头；而精神消费，则是消费越多，生成越多，信息会不断地因分享而被迭代和繁衍，从而形成IP系，乃至生生不息。

比如伊甸园里的苹果，由于被亚当和夏娃吃了以后，按照《圣经》的说法，才有了人类繁衍，于是这颗“善恶果”，就带进了每位教徒的心智里，甚至成为原罪而不可磨灭。

IP的实相是什么？——虚拟生命？！

IP是舶来词，很难用汉语的某个词对应，这就给应用带来很大麻烦。

很多时候人们对IP的认知混乱，还由于另外一个原因造成的：IP不是一个商业逻辑，也就是说IP是非线性的、非逻辑推理的；而说它一个文化逻辑，是说它是具有心性特质的，非常个体化的一种方式。

也就是说，你精心打造的品牌可能网友毫无感觉，反而一个不经意的词汇，就会引发互联网群众的情感洪流爆发～比如2016年突然火爆的“蓝瘦香菇”——难受想哭，很个体化的一种失去恋爱的情感，引发了亿万人同情的相应。

但如何找到IP的确切意义呢？

柯南道尔

用大侦探福尔摩斯，这一IP的创造者——柯南道尔所说:排除一切不可能，剩下的即使再不可能也是真相。

IP不是什么？

1、IP≠品牌：IP具有创造者的文化个性，这是粉丝经济的典型产物，因此不同于物权时代的品牌概念。

也就是说先天就具有人格化特质，而不是一种物权专属的“烙印”（Brand），是具有生生不息的特性。比如米老鼠与唐老鸭，无论何时何地，都与本身传达的童年才智与个性相关，是连续的生发的，而不是聪明机灵的烙印那么简单。

最典型的莫过于星巴克是品牌，但却不是IP，为什么？这是由星巴克的品牌定位“第三空间”决定的，空间是静态概念。

而Blue Bottle却是IP，因为它传达的互动要素，就是“哪里有品质好喝的咖啡”的知乎答案，而且它把咖啡美学推向极致体验中，使得它成为一群对咖啡口感坚持的小众的乐园，被网友称为有灵魂的咖啡。

2、IP≠标识：IP是具有高识别度的精神产品，不是代表创造者或创造物的某个形象或者符号，而是具有鲜明个性化的集中表达。

比如梵高的“星空”就不是一般意义上的“星空”，就具有梵高绘画世界的特指性，如果不知道梵高为谁的人，就无法领悟这个IP的内涵与外延，更无法理解，这是他在阿尔勒小镇的绘画达到巅峰的一种意象表达。

3、IP≠知识产权：IP具有可传递的互动属性，知识产权是静态的，一名科学家的发明会经过确权形成知识产权，但却在互联网上不会成为IP。

IP是动态的，可分布式传播的，也就是说IP可以成为用户再创造的标的，比如表情包、手偶、动漫标识或者电影、动画或者舞台剧。

比如小说《盗墓笔记》在过去作者享受的是着作版税，可是由于粉丝的追捧，光其贴吧关注的就有3750438人,而且会越来越多。《盗墓笔记》的作者南派三叔，已经成立了一家名为南派投资的公司，专门做IP孵化经营。

IP除了以上三个容易被误解的可能性，剩下了什么？

那就是具有人格化的可传递的精神消费品。很拗口吧，那么为了更好的表达，我总结为IP是

IP就是一个具有人格化的“虚拟生命”。

此“生命”的意义在于“强烈被用户需要”。

这是它的核心价值定义，也是它的生成哲学！

一个优秀的IP是“空性的、多义的、自由的”——越是如此，IP的生命力就越持久，而国内很多专家只是盯着流量和变现谈IP，其实是事后诸葛亮，甚至是缘木求鱼。因为IP自身如果不能成为流量的源泉，那么平台的、明星的、娱乐事件的流量总会消散的。

在国内较早出现的IP不是人们说的“喜羊羊与灰太狼”，而是企鹅QQ（腾讯的小企鹅），以及IP:QQ宠物。

《QQ宠物》是腾讯公司推出的一款虚拟社区喂养游戏，贯穿宠物成长全过程，包括喂食、清洁、打工、学习、游戏、结婚、生蛋、旅游、任务。玩过的人都知道非常虐心——激发人们尤其是孩子的各种“恻隐之心”——完全是一个虚拟的“生命”，但腾讯因此吸金巨多——天底下人都知道马云的每年双十一能赚多少钱，但估计很少有人知道QQ宠物为腾讯赚了多少，乃至到今天，腾讯的主营业务依然是游戏。

（仅其游戏系统就有14项： 结婚系统 企鹅徽章 宠物炫 天使奖励 家园介绍 喂养诀窍 极速成长 开心极限 智能双击 隐藏之招 自由落体 鼠标指挥 晃点宝贝 终极寻找）

IP 的属性与价值

IP是具有人格化的“虚拟生命”——那么它的具体属性是什么？

1、文化性：具有文化主体源发的人格化特质，主要是源发地文化要素。
2、思想性：具有才智表现的持续创新价值，主要是充满可视化思想性。
3、精神性：具有粉丝共鸣的互动娱乐精神，主要是具有共鸣的精神性。

而这三点恰恰也是生命本身具有的价值，为什么明星艺人能带来流量，网红可以火爆，大V具有话语权，实际上网民对某种人格化特质的投射与追随——包括他的文化价值观、人生态度、思想维度，尤其是与大众密切互动的频率与层次感。

甚至于更多时候是他们在影视里的形象和个性，在剧情里的人格表达；电影角色的态度传递，而不一定是真实生活中他的言行举止！

举例说明：

比如《喜羊羊与灰太狼》，深受小朋友甚至成人喜爱。羊与狼的传说，在中国大概几千年了，而狼外婆更是童话里不可缺少的主角之一。喜羊羊的谐音是“喜洋洋”，是非常中国化的一个褒义词。

大灰狼则是另外一个凶恶角色的代名词。灰太狼是大灰狼的同义词——在古代，太，大也。——《广雅·释诂一》，如大宰俗作太宰，大子俗作太子，周大王俗作太王是也”。在汉语里“太”表示“非常、特别”。

因此这个IP本身具有了文化的源发性，所以“喜羊羊与灰太狼”一出现，人们都觉得很熟悉——好像早已存在，只是被人忘记了一样。而喜羊羊与灰太狼在主题设计上实现了剧情反转，不再是狼欺负羊，而是羊愚弄狼，这和《猫和老鼠》异曲同工，这是它的文化性所在。

羊村里不止一只喜羊羊，还有懒羊羊、慢羊羊、美羊羊、暖羊羊、奔羊羊、快羊羊等，这些羊族成员都各具拟人化的个性，因此就能不断生发各种情节、剧情、故事以及冲突，这就具备了不断创新的价值和剧情冲突过程带来的思想性。

灰太狼也不是一个平面呆板的形象，为现实生活的暗喻带来很多娱乐性。灰太狼是一个总是被聪明的喜羊羊愚弄的笨狼，但是灰太狼的另一面则是一位“爱妻子、疼爱孩子，即使受气也不埋怨的好丈夫”。

这也暗合了民间的“妻管严”的可笑丈夫形象。各种羊与狼的斗智斗勇，充分体现了“以小博大、以弱胜强”的中国文化。

这是其思想性的丰富层次。

最大的密码其实是在它的精神世界的表达：狼夫妻的对话或者场景安排，其实是影射了父母或者大人们的世界:

1、灰太狼要不断出去抓羊，就像是需要挣钱养家的爸爸，甚至是一个不断努力挣钱又不断失败的中年男形象。

2、喜欢打扮，喜欢苛责，乃至一言不合就玩平底锅的红太狼，很像是小孩子眼中傲娇的妈妈形象。

3、羊族活在理想的青青草原，不愁吃不愁穿，正好是儿童眼里的世界。这是其故事性的根本精神所在，所以这部剧一出现，就经久不衰。

4、喜羊羊与灰太狼其实是儿童眼里的世界对大人们的无声“叛逆”表达——在小孩子的世界里，大人们总是抓他们学习、打断他们的游戏，甚至各种“听话”的哄骗和诱导，难道不像是总在抓羊的灰太狼吗？这个视角非常重要，所以喜羊羊对付狼的各种办法，也满足了孩子对付大人的心理诉求，甚至是一种无声的“逃跑或对抗”。

所以孩子们不仅喜欢看，还喜欢扮演，甚至成了他们生活中不可缺少的表达。因此可见，一个卓越的IP实际上是一种“生命内在的表达”。

IP的“家族”——利益相关方

1、IP必须有文化源发性——这是母体，离开了文化的源发地，一个IP很快就会消散或者死亡。

比如QQ宠物中的小熊梦工厂是一个具有明星梦的IP，但是这个形象与大多数人们的生活场景相距较远，同时小熊不具有腾讯的QQ企鹅的属性与特质，辨识度不高，包括名字哈尼熊。而QQ宠物猪则完全是企鹅的另一翻版，没有指向性和精确细分定位，很容易冲淡QQ企鹅的地位。2013年7月腾讯公司果断关停。

2、IP必须具有文艺创造家——IP梦工厂。这个IP要具有高识别度和强势传播性——一个好的IP是具象的，生动的，有根源和继发性。那些散漫的，主体多元的，缺乏主线的都是最终消逝的。

比如《爸爸去哪儿》靠明星+粉丝做起来的节目，虽然取得一时的成果，但由于缺乏明确的具象的人格化表达，因此再创作的前景很窄，即使投资去做，也无法开创更丰富的情节与内容。

3、IP必须有粉丝社群——这是IP的江湖（确立市场地位的领域）。仅有故事和人物，没有独特性的IP，尤其是抄袭和山寨版，很难形成继发流量。国内有几部抄袭奥特曼的动画剧，最终都失败了，即使是小孩子，也不是打打闹闹就可以糊弄的，IP本身的独特性是非常关键的，而粉丝社群这是由于IP的核心价值与思想观确立其地位的。

值得一提的是《功夫熊猫》第一部，不仅具有IP的文化性（中国功夫的哲学精髓）、还有个性特质的思想性，包括龟大师的智慧、师父的忧虑、阿宝的执着、娇虎的聪明勇敢冲动、仙鹤的厚道优雅、金猴的沉稳、灵蛇的善良、螳螂的热心都极具思想表现性；以及娱乐性的阿宝，不仅是励志的榜样，同时也是幸运的福将，充满奇趣和妙曼。

4、娱乐化平台——IP的舞台，互联网是个流量时代，平台决定了IP的流量，而内容决定了IP的转化力。寻找适合IP生长的平台做授权分享，从而产生更多的转发流量，以及参与创作，从而实现更大的传播价值。

因此，塑造一个优秀的IP需要五个基本要素（见下图）

一是具有文化源发地的多种文化元素组成，包括哲学、历史、文化、英雄、传说、生活、社会等，这是IP生成的土壤；

二是要有初始文艺创作的“种子用户”的设计和诠释，好的IP一定有原创者与首批感受者，这都是“种子用户”，大家通过不断地评价和反馈，甚至参与修改，都会为最终完善IP有积极贡献；

三是要有适合价值细分的粉丝社群，这个人群可能是小群，具有相同的价值观或者兴趣爱好，或者社会驱动力，以及在社会生活中同类角色，因此很容易取得认同，并自发传播，也就是流量用户；

四是要实现IP的开源授权，争取更多的跨界的用户参与进来，进行再创作和再诠释、再延展等，确保形象的主要特征（辨识度）明确；

五是衍生产品，实现多元化开发，包括手偶、宠物玩具、表情包、各种相关艺术造型等等。

最后形成分布式网状产品——完成IP从虚拟走向现实的变现。

卓越IP进化论？

一个卓越的IP应该具有以下特性：

1、它的创作驱动力是什么，也就是它的诞生到底是要完成什么样的使命或者愿景？也就是为什么而来？（人格化）

2、它的人生态度是什么？为那些尚未表达的群体而表达？他们的情绪是怎样的？应该得到怎样的理解和领会？（情感化）

3、那么因此它承担的身份是什么？具备什么样的文化角色？进而要表现怎样的人生？（个性化）

别小看这样三问，实则它的答案完成了IP的三大属性向“虚拟生命”的转移：

文化性——人格化：比如《琅琊榜》中“麒麟才子”梅长苏是一位【超级英雄】，凭借超越常人的智力和情商，才冠绝伦、以病弱之躯拨开重重迷雾、智搏奸佞，为昭雪多年冤案、扶持新君完成人生使命的故事。

思想性——情感化：比如《花千骨》表象是穿越六界的魔幻古装爱情故事，其内核却是“灵魂伴侣”的传递——若缺少对方，主角无法实现自身价值。任何的思想性，如果没有情感化的转移，那么就是空洞无物的，电影《捉妖记》的萌妖“胡巴”抓住了人们对妖与儿童的情感切换，使得电影变得一点也不恐怖，反而具有欢乐性，以独特的情感方式曲折地表现了“万物有灵且美”的电影主旨。

再比如《愤怒的小鸟》是由Rovio开发的一款休闲益智类游戏，于2009年12月首发于iOS。游戏以小鸟报复偷走鸟蛋的肥猪为背景，讲述了小鸟与肥猪的一系列故事。这个IP具有各种愤怒化表情、以弱击强的必死意志，以及传达了互联网上的情绪宣泄（包括吐槽）情绪化表达。

娱乐性——个性化：IP的身份、角色都代表着粉丝（观众）如何采取参与和互动的态度，比如猪八戒一直是搞笑的角色，所以猪八戒反而有了令人亲近、憨厚真实的人间味道；而无所不能的孙悟空，却在IP的衍生开发中成了一个情绪化、个性复杂的叛逆者，因此，娱乐性的基础是个性化塑造，唯有个性化的成功，才能带来更多粉丝流量的喜爱与互动。

比较经典的是“熊本熊”——源自日本的熊本县，熊本熊的造型是来自于当地黑山城（文化源发地的城市象形），而萌系角色的腮红，是当地文化“火之国”传承的精神象征。它的各种表情包则体现萌系的情感角色——无知懵懂、羞涩顽皮，从而引发了情感化共鸣；包括故意制造的事件——熊本熊遗失了自己两颊的腮红（失去了个性表达）案件调查，这次事件达成了6亿日元的广告营销成果，最大的价值是制造了社群粉丝最大量的参与性和娱乐性，从而将此IP创作推向了高潮，2016年熊本熊一举拿下68亿元的IP变现价值。

IP的诞生和发展，很像是一场互联网时代的信息进化论——这场进化是将一个“单细胞”的信息，转变成看不见的“文化性、思想性和精神性”，从而再次进化为具有生命特质的：人格化、情感化、个性化。

IP的核心价值

卓越IP的核心价值就是“赋能”——对这个碎片化、精神信仰缺失的迷茫大众来说，这是最具娱乐性的高维价值！

IP的进化论完成的重要任务是：此IP与粉丝的社交互动、情感沟通、精神共鸣，从而使得完成人与这一“虚拟生命”的交互式的往来，并得到应有的赋能。而这些往往是现实生活不能带给人们的梦、呓语、隐喻等无法进行公开表达的元素，从而完成了一次精神世界里的“造化”的活动。

比如电影《阿凡达》实现了一个人们厌恶战争和控制的人间“政治游戏”，而寻求一个与自然之灵共存通感的“神奇世界”的表达，同时表达了越战伤残的老兵所无法实现的英雄梦和真爱之旅。一句“I see you”成为知遇、真爱和珍惜的最佳表达。

再比如《哈利波特》在全球有数十亿记的粉丝群体，这是十几年的IP资产累积沉淀所至，因此哈利波特的主题公园的推广，并没有采取电视、广播、杂志等传统媒体进行宣传，而是利用“哈迷”的热忱——由精挑细选出来的7名粉丝，被邀请观看了一段属于“最高机密”的视频，然后由这七位散布关于“哈利·波特主题公园”的官方消息，花了很少的预算（制作那段视频和网站的费用），竟然通过鼠标将信息传达给3.5亿人。

这是对魔幻世界热衷，又公开进行的“神秘”之旅，“最高机密”也代表着最高赋能，这样的内心荣誉感是无法在现实世界找到的。

而这个数据，是不是让那些每天为“流量”为发愁的人，感到震惊！

卓越IP的诞生，它会带着它独特的使命成为人类社会的朋友、成为人心连接的纽带、成为精神共鸣的知音，那么在不远的将来——人类在虚拟社会里会多了许多伙伴——他们就是虚拟世界的各种IP。

如果说《未来简史》揭示的大数据“算法”成为未来生活“上帝一般”的掌控权会实现的话，而影响“算法”流量的IP会成为“上帝”之心，决定着社会资源和精神能量的支配源，因此IP产生的影响，您自己可以估量和想象，未来到底掌握在谁的手里，或许是您阅读至此，最应该陷入沉思的一个问题。

Q&A

在日常讨论和成文过程中，发现很多人问了一些共同的问题，兹录如下：

Q:IP不等于品牌、标识、知识产权，那么它和这些存在关系吗？
A:品牌、标识、知识产权是物权时代的“烙印（Brand）”是便于商业交易形成的有价值信息；而IP是信息时代的具有人格化的“芯片”，当IP最为精神或者灵魂元素具体呈现为具体物的时候，也都会具备以上三者要素，但它本身更像是“生命元素。

Q:人格化的虚拟生命如何被估值？
A:IP的价值主要看它的“生命力”，当它越是被用户所热爱，它的价值就会在各个方面迅速迭加，并长期占领粉丝的心智。
比如七度鱼画了漫画《尸兄》，作品于2011年11月22日开始连载，目前仍在连载中。截至2014年03月29日，《尸兄》点击量在线突破30亿。漫画《尸兄》还被改编成同名动画《尸兄》和《我叫白小飞》（动画第二季），网络小说《尸兄》， 以及舞台剧《我叫白小飞》。目前网络贴吧粉丝量超过17万之众，贴子超过235万，长期霸占网络搜索完整页面76页，词条信息超过760条。也就是说“尸兄”这个IP，在互联网上已经具备了很高的估值。

Q:IP只和互联网相关吗？
A：IP其实和每个人都相关，也和一些线下的品牌或者地域的非遗等都相关，但有了互联网之后，IP的价值被网友的链接和转发（传播）迅速放大，从而在互联网上形成生态，这一点在传统的媒体上是无法做到的，也无法在线下长期存在，所以从这个相关性来看，IP是信息时代（包括互联网）的产物。

Q:哪一类机构需要IP？
A:这是个很好的问题——目前的时代可以称得上是信息时代，也可以说是文化经济时代，正是这两者的交互，产生了IP——揭开了一个以“文化”为主体的“精神虚拟世界”——这个世界在现实也许并不存在，但是却在人们的心智中具有长期无限的位置——比如夸父逐日这个形象，从它在民间诞生到现在可能过了两千年了，依然是活着的“虚拟生命”，即使它的形象可以千变万化，但是此IP本身的精神属性不会消失，只要人类文明还存在。
因此，希望透过文化来传播自己的机构或个人乃至商品，都需要IP；比如“三只松鼠”，透过松鼠采集坚果，及其可爱的形象，三只数量上的人格化的团队协作（易经上三、四爻为人），包括细腻互动的服务，成为商业世界一经典的IP。

2018年1月15日（北京）

作者简介

陈智慧老师是“一哲学”、“智慧流”创始人，东方古老智慧应用者与实践者，IP品牌化专家，组织管理教练。国际注册咨询师（CMC），国际教练协会认证教练，北京国信品牌评价科学研究院MIC课题组组长，百年品奥（北京）创始合伙人，印心书院联合创始人，北京中泓智慧管理咨询公司首席顾问。

在文化塑造方面，陈智慧老师提出优秀组织文化的三项标准，植根于人性、发轫于思想、彰显于个性，完成二十多家企业品牌文化咨询案。在品牌方面，提出中国经济最大的挑战——“空心论”，并为此提出解决之道，创建“一哲学”。

陈智慧老师对儒释道与西方哲学互鉴和应用有独特研究，尤其在中国精神结构“一体两翼”、心学源流（一体）兵法、易经（两翼）有独到而深刻的体系研究。

执行主编 | 张羽漫

总编辑 | 汪亦兵

顾问 | 葛继延

❹ 灰狼算法和遗传算法哪个好

灰狼算法好。
灰狼优化算法由Mirjalili等人于2014年提出，主要模仿了自然界中灰狼群体的捕食过程。类似于猩猩、狮子种群内部存在严格的等级制度，灰狼群体内部主要分为4个等级：
α：狼群中的领导者，带领整个狼群进行捕猎活动；
β：负责协助α 并管理δ、ω，即狼群二当家；
δ：只能管理ω，千年老三；
ω：狼群中的老弱病残，只能跟着α、β、δ 混。
b有了这个概念以后，就可以很轻松的与算法结合了。基于最优个体引导机制，在等级制度的基础上，可以很形象的把α、β、δ 分别看作距离目标点最近、次进、次次进的个体，其余个体命名为ω，从而使ω 的位置更新受α、β、δ 引导，完成捕食过程。但要注意的是，若相对低级个体的位置优于相对高级个体，则两者地位互换，实现农奴翻身把歌唱。

❺ 我想知道关于狼的知识，灰狼！

简介：灰狼（学名：Canis lupus）共有46个亚种，体型中等、匀称，四肢修长，趾行性，利于快速奔跑。头腭尖形，颜面部长，鼻端突出，耳尖且直立，嗅觉灵敏，听觉发达。犬齿及裂齿发达；上臼齿具明显齿尖，下臼齿内侧具一小齿尖及后跟尖；臼齿齿冠直径大于外侧门齿高度；齿式为。毛粗而长。前足4～5趾，后足一般4趾 ；爪粗而钝，不能伸缩或略能伸缩。尾多毛，较发达。善于快速及长距离奔跑，多喜群居，常追逐猎食。食肉，以食草动物及啮齿动物等为食。栖息于森林、沙漠、山地、寒带草原、针叶林、草地。除南极洲和大部分海岛外，分布于全世界。
外形特征

灰狼是体型较大的犬科动物，其体重和大小依据它们在全球分布地区的不同，有很大差异。分布的纬度愈高，灰狼的体型也愈大。通常体长105-160厘米，平均肩高66-85厘米，雄狼体重20-70千克，雌狼体重16-50千克。而不同的亚种其体重也随地域分布有区别，北美灰狼为36千克，欧亚狼为38.5千克，印度狼和阿拉伯狼为25千克，北非的狼仅有13千克。[1]
灰狼的两个耳朵大约平行地垂直竖立，尾巴下垂于后肢之间，狼的吻部比狗长而尖，口也较为宽阔，裂齿很大，牙齿非常尖利，眼向上倾斜，位置较鼻梁为高。胸部比狗宽阔，四肢长而强健，脚掌上具有膨大的肉垫，前肢具5指，后肢具4趾，指、趾端均具有短爪，脚印呈圆形或长圆形，图案好似梅花一般。尾巴比狗的短而粗，毛较为蓬松。[2]
灰狼的体色一般为黄灰色，背部杂以毛基为棕色，毛尖为黑色的毛，也间有黑褐色、黄色以及乳白色的杂毛，尾部黑色毛较多，腹部及四肢内侧为乳白色，此外还有纯黑、纯白、棕色、褐色、灰色、沙色等色型。

栖息环境

栖息于环境十分广泛，包括草原、荒漠、丘陵、山地、森林以及冻土带等地区都是其栖息的场所，在喜马拉雅山地区，其活动的海拔高度可以达到5400米左右，灰狼是对环境适应性相当强的一种动物，无论酷暑严寒都能忍受。

生活习性

栖息于不同地区的狼，在生活习性等方面也有很多区别，例如产于南方的狼体毛短而稀，喜欢独栖或双栖；产于北方的狼体毛则长而厚，尤其是在冬季，常在隆冬腊月集合成20-30只，甚至100只以上的大群，一起觅食。善于挖洞而居，也常利用水源附近的小坑、岩洞、石缝、树洞等，或强占狐狸、獾、野兔、海狸等的洞穴，加以扩大，在里面铺垫些枯树叶等，便成了自己洞穴，并且年复一年地使用。它们生性凶残狡猾，机警多疑，行动敏捷，听觉、嗅觉都非常发达，鼻子常很湿润，由此感知气味传来的方向，四肢强健有力，身体轻捷，奔跑的速度很快，耐力也很强，狩猎的方式有伏击、跟随、围攻、追逐等，能够以56公里的时速追赶猎物，也能花上两个星期，行走200多公里来跟随猎物，所以能够猎食善于奔跑的狍子、鹿有蹄类动物，甚至危及家禽、家畜，伤害人类，就连比其大几倍的狗熊和野猪等也难以抵抗。灰狼也吃鱼、蟹、蜥蜴、松鼠、兔子、海狸等小型动物，以及动物尸体等，偶尔还吃些植物。在极其饥饿的情况下，甚至会向同类发起攻击，分而食之。
通常是5～10只组成一群，在这一小型群体中，有一只领头的雄狼，所有的雄狼常被依次分在甲、乙、丙各等级，雌狼亦是如此。狼群中总是有一只优势的狼，其他的不管雌的、雄的均为亚优势及更低级的外围雄狼及雌狼，除此之外，便是幼狼。优势雄狼是该群的中心及守备生活领域的主要力量，优势雌狼对所有的雌性及大多数雄性是有权威的，它可以控制群体中所有的雌狼。优势雄狼和优势雌狼，以及亚优势的雄狼和雌狼构成群体的中心，其余的狼，不管是雌的还是雄的，均保持在核心之处，优势雄狼实际上是一典型的独裁者，一旦捕到猎物，它必须先吃，然后再按社群等级依次排列。而且它可以享有所有的雌狼；优势雌狼也会阻止优势雄狼与别的雌狼交配，这样，交配与繁殖后代一般在优势雌雄狼两个最强的个体之间进行。[3]
灰狼是典型的肉食性动物，优势雄狼在担当组织和指挥捕猎时，总是选择一头弱小或年老的驯鹿或麝牛作为猎取的目标。开始它们会从不同方向包抄，然后慢慢接近，一旦时机成熟，便突然发起进攻；若猎物企图逃跑，它们便会穷追不舍，而且为了保存体力，往往分成几个梯队，轮流作战，直到捕获成功。
灰狼是夜行性的动物，白天常独自或成对在洞穴中蜷卧，但在人烟稀少的地带白天也出来活动。夜晚觅食的时候常在在空旷的山林中发出大声的嚎叫，声震四野。它们的食量很大，一次能吃10~15千克食物，但当猎物容易捕到时，常有捕杀后并不吃掉的现象。在食物不足或没有食物的情况下，它们也有着惊人的耐饥饿能力，最多可以17天不进食，通过少活动多睡觉的方法来减少能量消耗。它们善于游泳，当遇到危险时便跳进水中，借此将身上的气味消失，以摆脱敌人的追击。有时也会从尾巴基部的小孔中分泌出恶臭的物质来攻击对方，借以逃脱。集群的时候也敢于向强敌发动反攻，并把尾巴竖起来，嘴巴触地，发出怪声怪调的嚎叫，以此向同伴发出求援信号。但是它很怕火光，如果点起火堆或举起火把，倾刻之间就会跑的无影无踪。[2]

分布范围

分布于阿富汗，阿尔巴尼亚，亚美尼亚，阿塞拜疆，白俄罗斯，不丹，波斯尼亚和黑塞哥维那，保加利亚，加拿大，中国，克罗地亚，捷克共和国，爱沙尼亚，芬兰，法国，格鲁吉亚，德国，希腊，格陵兰，匈牙利，印度，伊朗，伊朗伊斯兰共和国，伊拉克，以色列，意大利，约旦，哈萨克斯坦，韩国，朝鲜民主主义人民共和国，吉尔吉斯斯坦，拉脱维亚，利比亚，立陶宛，马其顿，墨西哥，摩尔多瓦，蒙古，黑山;缅甸，尼泊尔，挪威，阿曼，巴基斯坦，波兰，葡萄牙，罗马尼亚，俄罗斯联邦，沙特阿拉伯，塞尔维亚，斯洛伐克，斯洛文尼亚，西班牙，瑞典，阿拉伯叙利亚共和国，塔吉克斯坦斯坦，土耳其，土库曼斯坦，乌克兰，阿拉伯联合酋长国，美国，格鲁吉亚，乌兹别克斯坦，也门。
可能灭绝：孟加拉国。
地区灭绝：奥地利，比利时，丹麦，爱尔兰，日本，卢森堡，荷兰，瑞士，英国。

繁殖方式

一般1-3月繁殖，在发情期间雄兽常进行争偶的激烈搏斗，胜利者用尿液划分自己的领地的边界，并通过叫声吸引雌兽。雌兽的怀孕期为61-63天，一般在3-4月间产仔，每胎产4-7仔，也有产10-12仔的记录。幼仔出生以后，由雄兽和雌兽共同抚育。雌狼在洞中看护幼仔，雄兽则外出捕食，猎取到食物以后先吞食下去，回来以后再吐出半消化的食物，耐心地饲喂雌兽和幼仔。20-25天后，幼仔便可以爬出洞外，这时雌兽常发出叫声，召唤幼仔。在此期间，狼群中某些成员也参与了喂养小狼的活动。幼仔长大后，雄兽和雌兽就开始训练它们捕捉猎物,随着小狼的逐渐长大，它们逐渐担任起捕猎和防卫等任务，但是，当雌兽再度发情时，雄兽就要毫不客气地把幼仔赶走，让它们去过独立的生活。等长到约2-3岁时，小狼便开始达到性成熟，雌狼一般要到3岁或4岁才开始第一次交配，而雄狼这时长得强壮有力，开始觊觎优势雄狼的地位，一有机会便会提出强有力的挑战，成功者则会取而代之，成为新的统治者。灰狼寿命为15-20年。

来自网络
http://ke..com/view/548491.htm

❻ LKH（Lin-Kernighan heuristic ）一种求TSP的邻域搜索策略

PART I 引入

题主应该指的是1973年的针对TSP的LKH算法。LKH算法类似于k-opt方法，常见的2-opt作为一种local search的思想题主应该是知道的，（2-opt的基本变换2-interchange如下图）。

那么k-opt的过程，也可以element by element，也就可以通过不计顺序的δ-path之间的uv-switch来实现，每个合适的k-opt里面的exchange都是总和为正的增益值，那么其每一个合适的exchange的一部分都可以被uv-switch达到，所以可以令每次的G*都大于0，作为stoppingcriteria，从逻辑上来说是合理的，符合作者的element by element，在启发式所谓的exploitation上也有好的表现力。END

P.S element by element这种思想在其他的算法也有体现，比如遗传算法的改进上也有比如单位点交叉防止收敛解震动。

其他算法效能上的提升考虑，请依次阅读文献[2][1]及其他相关的资料。

综上，LKH是可以认为基于k-opt成功的改进，无论是运行的速度上，还是搜索的精度上。它在解决TSP问题上，速度和精度上仍旧有较好的表现。

水平有限，随缘回答，若有错误，请指出评论，谢谢！

参考文献：

理解算法框架内容，文献[1]是较好的参考资料，理解算法细节、讨论，可以参考文献[2]，其指出了backtracking的要求（从数值实验/作者思考的philosophy上指出：应该从最多几层开始backtracking，每层y_1, y_2contenders的数量如何，如何进一步refinements，每一次δ-path 变换中y_i怎么高效选取等问题）

[1] Cook W.J., Cunningham W.H., Pulleyblank W.R., Schrijver A.Combinatorial Optimization

[2] S. Lin, B. W. Kernighan,An effective heuristic algorithm for the traveling salesman problem

❼ 优化算法笔记（十八）灰狼算法

（以下描述，均不是学术用语，仅供大家快乐的阅读）
灰狼算法（Grey Wolf Algorithm）是受灰狼群体捕猎行为启发而提出的算法。算法提出于2013年，仍是一个较新的算法。目前为止（2020）与之相关的论文也比较多，但多为算法的应用，应该仍有研究和改进的余地。
灰狼算法中，每只灰狼的位置代表了解空间中的一个可行解。群体中，占据最好位置的三只灰狼为狼王及其左右护法（卫）。在捕猎过程中这三只狼将带领着狼群蛇皮走位，抓捕猎物，直至找到猎物（最优解）。当然狼王不会一直是狼王，左右护法也是一样，每一轮走位后，会根据位置的优劣重新选出新的狼王和左右护法。狼群中的每一只灰狼会向着（也可能背向）这三只位置最优的灰狼移动一定的距离，来决定这一步自己将如何走位。简单来说， 灰狼个体会向则群体中最优的三个个体移动 。

很明显该算法的主角就是灰狼了。

设定目标灰狼为
，当前灰狼的为 ，则该灰狼向着目标灰狼移动后的位置 可以由一下公式计算得出：

灰狼群体中位置最好的三只灰狼编号为1,2,3，那么当前的灰狼i通过观察灰狼1、灰狼2和灰狼3，根据公式（1）得出的三个位置为Xi1,Xi2,Xi3。那么灰狼i将要移动到的位置可以根据以下供述计算得出：

可以看出该灰狼的目标位置是通过观察三只头狼得到的三个目标位置的所围成的区域的质心。（质心超出边界时，取值为边界值）。

灰狼算法的论文描述很多，但是其公式和流程都非常简单，主要对其参数A和C的作用效果进行了详细描述。
C主要决定了新位置相对于目标灰狼的方位，而A则决定新位置向目标靠近还是远离目标灰狼。当|A|>=1时，为远离目标，表现出更强的全局搜索能力，|A|<1时靠近目标，表现出更强的局部搜索能力。

适应度函数 。
实验一：

看看这图像和结果，效果好极了。每当我这么认为时，总会出现意想不到的转折。
修改一下最优解位置试一试， 。
实验二 ： 。

其结果比上面的实验差了不少，但我觉得这才是一个优化算法应有的搜索图像。其结果看上去较差只是因为迭代次数较少，收敛不够迅速，这既是优点也是缺点，收敛慢但是搜索更细致。
仔细分析灰狼算法的流程，它并没有向原点靠近的趋势，那只能理解为算法群体总体上向着群体的中心移动。 猜想 ：当初始化群体的中心恰好是正解时，算法的结果将会非常的好。
下面使用 ，并将灰狼的初始位置限定在（50,100）的范围内，看看实验图像是否和实验二的图像一致。

实验三 . ,初始种群取值范围为（50,100）

这图像和结果跟实验一的不是一样的吗?这说明从实验二中得出的猜想是错误的。

从图像和结果上看，都和实验二非常相似，当解在解空间的中心时但不在原点时，算法的结果将差一些。
为什么会这样呢？从算法的流程上看，灰狼算法的各个行为都是关于头狼对称的，当最优解在原点且头狼在附近时，公式（1）将变为如下：

实验五 . ,三只头狼添加贪心算法。

从图像可以看出中心的三个点移动的频率要比其他点的移动频率低。从结果上可以看出其结果相对稳定了不少，不过差距非常的小，几乎可以认为是运气好所导致。如果所有的个体都添加贪心算法呢？显然，算法的全局搜索能力将进一步减弱，并且更容易向群体中心收敛，这并不是一个好的操作。

实验六 . ,
在实验五的基础上为狼群添加一个统一的步长，即每只狼每次向着目标狼移动的距离不能大于其步长，将其最大步长设为1，看看效果。

从图像可以看出，受到步长的约束每只狼的移动距离较小，在结束时还没有收敛，其搜索能力较强但收敛速度过慢且极易陷入局部最优。现在将最大步长设置为10（1/10解空间范围）使其搜索能力和收敛速度相对平衡，在看看效果。

从图像可以看出，算法的收敛速度快了不少，但从结果可知，相较于实验五，算法的提升并不太大。
不过这个图像有一种似曾相识的感觉，与萤火虫算法（FireFly Algorithm）差不多，仔细对比这两个算法可以发现， 灰狼算法相当于萤火虫算法的一个简化 。实验六种对灰狼算法添加步长的修改，让其离萤火虫算法更近了一步。

实验七 . ,
在实验六的基础上让最大步长随着迭代次数增加递减。

从实验七的图像可以看出，种群的收敛速度好像快了那么一点，结果也变好了不少。但是和改进后的萤火虫算法相比仍然有一定的差距。
灰狼算法在全局搜索和局部搜索上的平衡已经比较好了，尝试过对其进行改进，但是修改使搜索能力更强时，对于局部最优的函数求解效果很差，反之结果的精度较低，总体而言修改后的算法与原算法相差无几。

灰狼算法是根据灰狼群体的捕猎行动而提出的优化算法，其算法流程和步骤非常简单，数学模型也非常的优美。灰狼算法由于没有贪心算法，使得其有着较强的全局搜索能力同时参数A也控制了算法的局部搜索范围，算法的全局搜索能力和局部搜索能力比较平衡。
从算法的优化图像可以看出，灰狼算法和萤火虫算法非常的相似。可以认为，灰狼算法是对萤火虫算法的一种改进。萤火虫算法向着由于自己的个体飞行，而灰狼算法则的条件更为苛刻，向着群体前三强前进，萤火虫算法通过步长控制搜索范围，而灰狼算法则直接定义搜索范围参数A，并令A线性递减。
灰狼算法的结构简单，但也不容易改进，数次改进后只是改变了全局搜索能力和局部搜索能力的比例，综合能力并没有太大变化。
由于原点对于灰狼算法有着隐隐的吸引力，当测试函数目标值在原点时，其结果会异常的好。因此，灰狼算法的实际效果没有论文中的那么好，但也不差，算是一个中规中矩的优化算法。
参考文献
Mirjalili S , Mirjalili S M , Lewis A . Grey Wolf Optimizer[J]. Advances in Engineering Software, 2014, 69:46-61. 提取码：wpff

以下指标纯属个人yy,仅供参考

目录
上一篇 优化算法笔记（十七）万有引力算法
下一篇 优化算法笔记（十九）头脑风暴算法

优化算法matlab实现（十八）灰狼算法matlab实现

❽ 灰狼算法中标准测试函数是指适应度函数吗

这个是要你自己编写的目标函数，如果是一个简单函数，它的值就可以作为适应度。不同的工具箱对这个的操作可能还不一样，需要具体分析

❾ 六年级上册北师版生字组词

识字1
秋（秋天）（秋千）（秋游）（秋分）（秋色）（金秋）（立秋）（春秋）
烟（烟台）（烟草）（烟火）（烟雾）（烟波）（香烟）（吸烟）（抽烟）
芦（芦苇）（芦柴）（芦席）（芦笛）（芦荟）（芦笋）（葫芦）
夕（夕阳）（夕照）（前夕）（夕烟）（夕幕）
归（归来）（归家）（归还）（归队）（归国）（归航）（归公）（回归）
歌（歌唱）（歌声）（歌星）（歌手）（歌厅）（歌词）（歌曲）（唱歌）
灯（灯光）（灯火）（灯台）（灯具）（灯泡）（灯谜）（灯塔）（点灯）

识字2
桥（桥梁）（桥洞）（桥头）（桥牌）（大桥）（小桥）（石桥）（修桥）
检（检查）（检阅）（检验）（检讨）（检测）（年检）（抽检）（安检）
陆（陆地）（陆运）（陆军）（陆续）（陆上）（陆游）（陆路）（登陆）
礼（礼物）（礼节）（礼品）（礼花）（礼服）（礼堂）（礼炮）（敬礼）
炮（炮火）（炮弹）（炮兵）（炮声）（炮台）（炮轰）（礼炮）（大炮）
焰（焰火）（火焰）（烈焰）
狂（狂风）（狂欢）（狂热）（狂人）（狂喜）（疯狂）
神（神州）（神气）（神话）（神圣）（神经）（神秘）（神奇）（神仙）
州（神州）（州长）
龙（龙头）（龙门）（巨龙）

识字3
灶（灶台）（锅灶）（炉灶）
尖（尖子）（尖兵）（尖利）（尖刀）（尖刻）（尖端）（拔尖）（冒尖）
歪（歪风）（歪斜）（歪理）
尾（尾巴）（尾声）（尾随）（末尾）（结尾）
彩（彩色）（彩云）（彩印）（彩虹）（彩电）（彩照）（彩票）（色彩）
炉（炉子）（炉火）（炉灶）（火炉）（壁炉）（香炉）
张（张开）（张罗）（张贴）（张力）（张扬）（张望）（纸张）（开张）
桌（桌子）（桌椅）（桌布）（桌面）（饭桌）（书桌）（电脑桌）
斜（斜面）（斜坡）（斜边）（斜线）（斜纹）（斜角）（歪斜）（倾斜）
匹（匹配）（匹敌）（布匹）（马匹）

识字4
苗（苗头）（苗木）（苗条）（苗族）（幼苗）（树苗）
描（描写）（描绘）（描图）（描述）（素描）（白描）
准（准备）（准确）（准时）（准则）（准许）（准绳）（批准）（核准）
猫（猫眼）（白猫）（黑猫）（猫叫）（猫皮）（猫头鹰）
铁（铁路）（铁匠）（铁矿）（铁轨）（铁钉）（铁丝）（钢铁）（白铁）
家（家长）（家具）（家教）（家人）（家电）（家务）（作家）（科学家）
脚（脚步）（脚跟）（脚印）（脚气）（脚本）（手脚）（赤脚）
莫（莫非）（莫测）（莫如）（约莫）（莫不）（莫须有）
偏（偏爱）（偏远）（偏大）（偏小）（偏心）（偏见）（偏向）（偏僻）
课文1
兔（兔子）（兔笼）（兔毛）（兔棚）（兔窝）（玉兔）（白兔）（灰兔）（黑兔）
追（追求）（追赶）（追击）（追逐）（追随）（追踪）（追问）（追加）（追回）
喊（喊声）（喊叫）（叫喊）（大喊）
老（老师）（老实）（老友）（老虎）（老家）（老外）（老手）（老板）（老少）
师（师范）（师傅）（师承）（师兄）（师长）（师母）（老师）（大师）（军师）
郊（郊区）（郊外）（郊游）（远郊）（近郊）
逐（逐渐）（逐步）（逐一）（逐日）（逐个）（逐条）（逐级）（追逐）（驱逐）
凉（凉快）（凉风）（凉水）（凉爽）（凉粉）（凉棚）（凉席）（凉台）（冰凉）
望（望见）（望远镜）（希望）（期望）（绝望）（望梅止渴）（望子成龙）

课文2
句（句子）（句号）（句法）（名句）（绝句）（警句）
场（场地）（场面）（场景）（场内）（场外）（场所）（场次）（场合）（广场）
此（此时）（此地）（此项）（此次）（此外）（此前）（此后）（从此）（因此）
举（举行）（举办）（举动）（举起）（举目）（举国）（举止）（举手）（壮举）
申（申办）（申请）（申报）（申诉）（申明）（申讨）（申述）（申辩）（重申）
汇（汇报）（汇聚）（汇款）（汇进）（汇出）（汇总）（汇合）（汇集）（汇票）
国（国家）（国民）（国有）（国内）（国外）（国际）（国防）（中国）（古国）
京（京城）（京都）（京戏）（京剧）（南京）（北京）（东京）（京广线）
刻（刻苦）（刻字）（刻板）（刻意）（刻度）（刻画）（木刻）（石刻）（雕刻）
亮（亮光）（亮堂）（亮相）（亮出）（亮度）（亮晶晶）（明亮）（闪亮）
课文3
英（英国）（英里）（英尺）（英寸）（英才）（英雄）（英明）（英语）（英文）
教（教师）（教员）（教工）（教导）（教育）（教书）（说教）（请教）（求教）
静（静脉）（静止）（静电）（静坐）（静物）（安静）（平静）（宁静）（寂静）
李（李子）（李树）（桃李）（姓李）（李白）
层（层次）（层面）（层级）（分层）（上层）（中层）（基层）（层出不穷）
诗（诗人）（诗句）（诗歌）（诗意）（诗文）（诗词）（古诗）（唐诗）（名诗）
思（思考）（思想）（思念）（思路）（思维）（思量）（思潮）（反思）（沉思）
首（首先）（首次）（首要）（首都）（首脑）（首相）（首尾）（首届）（元首）
照（照片）（照相）（照顾）（照料）（照旧）（照常）（照射）（写照）（照明）
意（意思）（意志）（意愿）（意境）（意图）（意见）（意外）（大意）（原意）
课文4
皮（皮球）（皮鞋）（皮包）（皮革）（皮带）（皮毛）（皮肤）（毛皮）（牛皮）
野（野心）（野火）（野营）（野外）（野生）（野兽）（田野）（旷野）（越野）
嘴（嘴巴）（嘴脸）（嘴角）
曲（曲折）（曲直）（曲艺）（曲解）（曲面）（歌曲）（名曲）（曲调）（曲谱）
妈（妈妈）（大妈）（舅妈）（姨妈）
坏（坏人）（坏蛋）（坏事）（坏死）（坏处）（好坏）
怀（怀抱）（怀念）（怀旧）（怀疑）（怀恨）（关怀）
菜（菜地）（菜场）（菜园）（菜农）（菜单）（菜肴）（白菜）（青菜）（土菜）
菊（菊花）（菊叶）
唱（唱歌）（唱戏）（唱片）（唱票）（唱段）（唱词）（唱腔）（歌唱）（演唱）
课文5
邻（邻居）（邻里）（邻邦）（邻国）（邻省）（邻县）（邻村）（邻近）（近邻）
婆（婆婆）（婆媳）（婆家）（外婆）（公婆）（老婆）
替（替代）（替换）（替身）（替班）（代替）（接替）
居（居民）（居住）（居家）（居功）（居中）（居于）（居心）（居室）（居留）
难（难题）（难点）（难易）（难过）（难受）（难听）（难办）（困难）（灾难）
您（您好）（您们）
领（领导）（领袖）（领子）（领取）（领队）（领受）（领带）（领教）（带领）
绿（绿色）（绿茶）（绿豆）（绿叶）（绿灯）（绿树）（绿林）（绿化）（碧绿）
童（童年）（童子）（童心）（童工）（童话）（童装）（儿童）（学童）（琴童）

课文6
伸（伸手）（伸出）（伸缩）（伸直）（伸展）（伸长）（伸入）（伸张）（延伸）
快（快乐）（快速）（快步）（快活）（快手）（快车）（快餐）（快慢）（愉快）
浓（浓厚）（浓烈）（浓郁）（浓密）（浓重）（浓度）（浓妆）（浓缩）
消（消灭）（消失）（消散）（消除）（消防）（消耗）（消毒）（打消）（抵消）
困（困难）（困苦）（困境）（困守）（困乏）（困倦）（贫困）
枝（枝节）（枝叶）（枝条）（树枝）
香（香港）（香水）（香油）（香味）（香烟）（香火）（香料）（香气）（烧香）
除（除草）（除了）（除非）（除去）（除法）（除数）（除外）（除夕）（去除）
院（院子）（院落）（院士）（院校）（院长）（医院）（学院）（敬老院）
深（深浅）（深水）（深入）（深山）（深受）（深感）（深切）（深圳）（深色）
课文7
存（存在）（存心）（存款）（存折）（存根）（存档）（存货）（存放）（保存）
研（研究）（研发）（研习）（研讨）（研修）（研读）（钻研）
较（较量）（较劲）（较大）（较小）（较多）（较少）（较为）（比较）（计较）
反（反正）（反而）（反面）（反对）（反攻）（反响）（反映）（反应）（反思）
文（文化）（文艺）（文章）（文学）（文风）（文明）（文采）（文具）（人文）
百（百里）（百万）（百米）（网络）（百年）（百货）（百姓）（百倍）（千百）
达（达到）（达观）（达标）（达成）（到达）（送达）（传达）（抵达）
究（究竟）（研究）（考究）（深究）
易（易地）（易人）（易学）（易于）（易货）（容易）（难易）（不易）
容（容易）（容器）（容积）（容颜）（容许）（容纳）（容忍）（宽容）
课文8
促（促进）（促成）（促销）（促使）（督促）（促膝谈心）
盘（盘算）（盘子）（盘点）（盘踞）（盘问）（盘查）（盘旋）（盘划）（算盘）
旋（旋转）（旋律）（旋涡）（盘旋）（凯旋）旋(xuan)风
摇（摇动）（摇晃）（摇摆）（摇头）（摇篮）（摇钱树）（动摇）
吧（吧台）（好吧）（行吧）
顶（顶替）（顶班）（顶风）（顶点）（顶多）（顶撞）（顶峰）（山顶）（屋顶）
命（命运）（命令）（命脉）（命题）（命中）（命名）（命中）（革命）（使命）
总（总是）（总理）（总督）（总裁）（总工）（总数）（总之）（总量）（总数）
鼓（鼓励）（鼓动）（鼓劲）（鼓掌）（鼓起）（鼓吹）（鼓风）（打鼓）（擂鼓）
算（算术）（算计）（算命）（算法）（算式）（算数）（算盘）（合算）（划算）
课文9
级（级别）（级差）（等级）（年级）
展（展开）（展出）（展台）（展期）（展示）（展露）（展现）（发展）（进展）
善（善于）（善良）（善后）（善意）（善战）（和善）（善解人意）
登（登记）（登机）（登台）（登场）（登山）（登报）（登高）（登录）（攀登）
双（双眼）（双目）（双手）（双边）（双轨）（双层）（双数）（双打）（成双）
失（失去）（失败）（失明）（失手）（失业）（失散）（失落）（失职）（丢失）
吸（吸收）（吸引）（吸纳）（吸取）（吸附）（吸烟）（吸收）（吸水）（呼吸）
阶（阶梯）（阶层）（阶段）（阶级）（台阶）
苍（苍白）（苍茫）（苍劲）（苍老）（苍蝇）（苍松）（苍翠）（苍松翠柏）
喝（喝酒）（喝水）（吆喝）喝(he)彩

课文10
争（争取）（争气）（争夺）（争胜）（争光）（争吵）（争鸣）（争斗）（斗争）
经（经历）（经营）（经商）（经验）（经过）（经理）（经手）（经济）（经典）
狼（狼狈）（狼籍）（老狼）（小狼）（灰狼）
扑（扑面）（扑克）（扑灭）（扑救）（扑火）（扑空）（扑打）（扑面而来）
弄（弄清）（弄错）（弄权）（弄虚作假）
倒（倒台）（倒卖）（倒班）（倒霉）（倒影）（倒车）（倒入）（倒退）（颠倒）
脏（脏乱）（肮脏）
惊（惊险）（惊恐）（惊慌）（惊异）（受惊）（心惊）（惊天动地）
温（温水）（温泉）（温州）（温暖）（温情）（温习）（温室）（水温）

❿ 智能优化算法：灰狼优化算法

@[toc]
摘要：受 灰 狼 群 体 捕 食 行 为 的 启 发，Mirjalili等[1]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。 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。

灰狼属于犬科动物，被认为是顶级的掠食者，它们处于生物圈食物链的顶端。灰狼大多喜欢群居，每个群体中平均有5-12只狼。特别令人感兴趣的是，它们具有非常严格的社会等级层次制度，如图1所示。金字塔第一层为种群中的领导者，称为 α 。在狼群中 α 是具有管理能力的个体，主要负责关于狩猎、睡觉的时间和地方、食物分配等群体中各项决策的事务。金字塔第二层是 α 的智囊团队，称为 β 。 β 主要负责协助α 进行决策。当整个狼群的 α 出现空缺时，β 将接替 α 的位置。 β 在狼群中的支配权仅次于 α，它将 α 的命令下达给其他成员，并将其他成员的执行情况反馈给 α 起着桥梁的作用。金字塔第三层是 δ ，δ 听从 α 和 β 的决策命令，主要负责侦查、放哨、看护等事务。适应度不好的 α 和 β 也会降为 δ 。金字塔最底层是 ω ，主要负责种群内部关系的平衡。

<center>图1.灰狼的社会等级制度

此外，集体狩猎是灰狼的另一个迷人的社会行为。灰狼的社会等级在群体狩猎过程中发挥着重要的作用，捕食的过程在 α 的带领下完成。灰狼的狩猎包括以下 3个主要部分：
1）跟踪、追逐和接近猎物；
2）追捕、包围和骚扰猎物，直到它停止移动；
3）攻击猎物

在狩猎过程中，将灰狼围捕猎物的行为定义如下：

式（1）表示个体与猎物间的距离，式（2）是灰狼的位置更新公式。其中, 是目前的迭代代数， 和 是系数向量， 和 分别是猎物的位置向量和灰狼的位置向量。 和 的计算公式如下：

其中， 是收敛因子，随着迭代次数从2线性减小到0, 和 的模取[0,1]之间的随机数。

灰狼能够识别猎物的位置并包围它们。当灰狼识别出猎物的位置后，β 和 δ 在 α 的带领下指导狼群包围猎物。在优化问题的决策空间中，我们对最佳解决方案（猎物的位置）并不了解。因此，为了模拟灰狼的狩猎行为，我们假设 α ，β 和 δ 更了解猎物的潜在位置。我们保存迄今为止取得的3个最优解决方案，并利用这三者的位置来判断猎物所在的位置，同时强迫其他灰狼个体（包括 ω ）依据最优灰狼个体的位置来更新其位置，逐渐逼近猎物。狼群内个体跟踪猎物位置的机制如图2所示。

<center>图2.GWO 算法中灰狼位置更新示意图

灰狼个体跟踪猎物位置的数学模型描述如下:

其中， 分别表示分别表示 α ， β 和 δ 与其他个体间的距离。 分别代表 α ， β 和 δ 的当前位置； 是随机向量， 是当前灰狼的位置。

式(6)分别定义了狼群中 ω 个体朝向 α ，β 和 δ 前进的步长和方向，式(7)定义了 ω 的最终位置。

当猎物停止移动时，灰狼通过攻击来完成狩猎过程。为了模拟逼近猎物， 的值被逐渐减小，因此 的波动范围也随之减小。换句话说，在迭代过程中，当 的值从2线性下降到0时，其对应的 的值也在区间[-a,a]内变化。如图3a所示，当 的值位于区间内时，灰狼的下一位置可以位于其当前位置和猎物位置之间的任意位置。当 时，狼群向猎物发起攻击（陷入局部最优）。

灰狼根据 α ,β 和 δ 的位置来搜索猎物。灰狼在寻找猎物时彼此分开，然后聚集在一起攻击猎物。基于数学建模的散度，可以用 大于1 或小于-1 的随机值来迫使灰狼与猎物分离，这强调了勘探（探索）并允许 GWO 算法全局搜索最优解。如图3b所示， 强迫灰狼与猎物（局部最优）分离，希望找到更合适的猎物（全局最优）。GWO 算法还有另一个组件 来帮助发现新的解决方案。由式(4)可知， 是[0,2]之间的随机值。 表示狼所在的位置对猎物影响的随机权重， 表示影响权重大，反之，表示影响权重小。这有助于 GWO算法更随机地表现并支持探索，同时可在优化过程中避免陷入局部最优。另外，与 不同 是非线性减小的。这样，从最初的迭代到最终的迭代中，它都提供了决策空间中的全局搜索。在算法陷入了局部最优并且不易跳出时， 的随机性在避免局部最优方面发挥了非常重要的作用，尤其是在最后需要获得全局最优解的迭代中。

<center>图4.算法流程图

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

[2] 张晓凤,王秀英.灰狼优化算法研究综述[J].计算机科学,2019,46(03):30-38.

https://mianbaoo.com/o/bread/Z5ecmZc=
文献复现：
文献复现：基于翻筋斗觅食策略的灰狼优化算法（DSFGWO）
[1]王正通,程凤芹,尤文,李双.基于翻筋斗觅食策略的灰狼优化算法[J/OL].计算机应用研究:1-5[2021-02-01]. https://doi.org/10.19734/j.issn.1001-3695.2020.04.0102 .

文献复现：基于透镜成像学习策略的灰狼优化算法（LIS-GWO）
[1]龙文,伍铁斌,唐明珠,徐明,蔡绍洪.基于透镜成像学习策略的灰狼优化算法[J].自动化学报,2020,46(10):2148-2164.

文献复现：一种优化局部搜索能力的灰狼算法（IGWO）
[1]王习涛.一种优化局部搜索能力的灰狼算法[J].计算机时代,2020(12):53-55.

文献复现：基于自适应头狼的灰狼优化算法（ALGWO）
[1]郭阳,张涛,胡玉蝶,杜航.基于自适应头狼的灰狼优化算法[J].成都大学学报(自然科学版),2020,39(01):60-63+73.

文献复现：基于自适应正态云模型的灰狼优化算法 （CGWO）
[1]张铸,饶盛华,张仕杰.基于自适应正态云模型的灰狼优化算法[J/OL].控制与决策:1-6[2021-02-08]. https://doi.org/10.13195/j.kzyjc.2020.0233 .

文献复现：改进非线性收敛因子灰狼优化算法
[1]王正通,尤文,李双.改进非线性收敛因子灰狼优化算法[J].长春工业大学学报,2020,41(02):122-127.

文献复现：一种基于收敛因子改进的灰狼优化算法
[1]邢燕祯,王东辉.一种基于收敛因子改进的灰狼优化算法[J].网络新媒体技术,2020,9(03):28-34.

文献复现:基于莱维飞行和随机游动策略的灰狼算法（GWOM ）
[1]李阳,李维刚,赵云涛,刘翱.基于莱维飞行和随机游动策略的灰狼算法[J].计算机科学,2020,47(08):291-296.

文献复现:一种改进的灰狼优化算法(EGWO)
[1]龙文,蔡绍洪,焦建军,伍铁斌.一种改进的灰狼优化算法[J].电子学报,2019,47(01):169-175.

文献复现:改进收敛因子和比例权重的灰狼优化算法(CGWO)
[1]王秋萍,王梦娜,王晓峰.改进收敛因子和比例权重的灰狼优化算法[J].计算机工程与应用,2019,55(21):60-65+98.

文献复现:一种改进非线性收敛方式的灰狼优化算法研究(CGWO)
[1]谈发明,赵俊杰,王琪.一种改进非线性收敛方式的灰狼优化算法研究[J].微电子学与计算机,2019,36(05):89-95.

文献复现:一种基于Tent 映射的混合灰狼优化的改进算法(PSOGWO)
[1]滕志军,吕金玲,郭力文,许媛媛.一种基于Tent映射的混合灰狼优化的改进算法[J].哈尔滨工业大学学报,2018,50(11):40-49.

文献复现:基于差分进化与优胜劣汰策略的灰狼优化算法(IGWO)
[1]朱海波,张勇.基于差分进化与优胜劣汰策略的灰狼优化算法[J].南京理工大学学报,2018,42(06):678-686.

文献复现:基于 Iterative 映射和单纯形法的改进灰狼优化算法(SMIGWO)
[1]王梦娜,王秋萍,王晓峰.基于Iterative映射和单纯形法的改进灰狼优化算法[J].计算机应用,2018,38(S2):16-20+54.

文献复现:一种基于混合策略的灰狼优化算法(EPDGWO)
[1]牛家彬,王辉.一种基于混合策略的灰狼优化算法[J].齐齐哈尔大学学报(自然科学版),2018,34(01):16-19+32.

文献复现:基于随机收敛因子和差分变异的改进灰狼优化算法(IGWO)
[1]徐松金,龙文.基于随机收敛因子和差分变异的改进灰狼优化算法[J].科学技术与工程,2018,18(23):252-256.

文献复现:一种基于差分进化和灰狼算法的混合优化算法(DEGWO)
[1]金星,邵珠超,王盛慧.一种基于差分进化和灰狼算法的混合优化算法[J].科学技术与工程,2017,17(16):266-269.

文献复现:协调探索和开发能力的改进灰狼优化算法(IGWO)
[1]龙文,伍铁斌.协调探索和开发能力的改进灰狼优化算法[J].控制与决策,2017,32(10):1749-1757.

文献复现:基于Cat混沌与高斯变异的改进灰狼优化算法(IGWO)
[1]徐辰华,李成县,喻昕,黄清宝.基于Cat混沌与高斯变异的改进灰狼优化算法[J].计算机工程与应用,2017,53(04):1-9+50.

文献复现:具有自适应搜索策略的灰狼优化算法(SAGWO)
[1]魏政磊,赵辉,韩邦杰,孙楚,李牧东.具有自适应搜索策略的灰狼优化算法[J].计算机科学,2017,44(03):259-263.

文献复现:采用动态权重和概率扰动策略改进的灰狼优化算法(IGWO)
[1]陈闯,Ryad Chellali,邢尹.采用动态权重和概率扰动策略改进的灰狼优化算法[J].计算机应用,2017,37(12):3493-3497+3508.

文献复现:具有自适应调整策略的混沌灰狼优化算法(CLSGWO)
[1]张悦,孙惠香,魏政磊,韩博.具有自适应调整策略的混沌灰狼优化算法[J].计算机科学,2017,44(S2):119-122+159.

文献复现:强化狼群等级制度的灰狼优化算法(GWOSH)
[1]张新明,涂强,康强,程金凤.强化狼群等级制度的灰狼优化算法[J].数据采集与处理,2017,32(05):879-889.

文献复现:一种新型非线性收敛因子的灰狼优化算法(NGWO)
[1]王敏,唐明珠.一种新型非线性收敛因子的灰狼优化算法[J].计算机应用研究,2016,33(12):3648-3653.

文献复现:重选精英个体的非线性收敛灰狼优化算法(EGWO)
[1]黎素涵,叶春明.重选精英个体的非线性收敛灰狼优化算法[J].计算机工程与应用,2021,57(01):62-68.

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