本书分为14个章节，内容分别为绪论、GWO算法概述、反向学习和差分变异的GWO算法、随机反向学习和MEPD的强化等级制度的GWO算法、趋优反向学习和随机反向空置算子的GWO算法、混合差分进化的GWO算法、基于DE全局最优和随机学习的GWO算法、混合鲸鱼优化的GWO算法、精简差分扰动GWO算法与均值榜样学习PSO算法的混合算法、混合人工蜂群算法的GWO算法、混合郊狼优化算法的GWO算法、混合同步热交换搜索的GWO算法、改进GWO算法应用于聚类优化、总结与展望。 本书可作为智能优化的参考书籍，适合人工智能、计算机、电子信息、信息管理、档案学等专业的师生阅读，亦可作为各个领域处理优化问题的相关科技人员和工程技术人员、教育培训的参考用书。

第1章 绪论
1.1 优化问题概述
1.1.1 优化问题的分类
1.1.2 优化方法概述
1.2 群智能优化算法
1.2.1 群智能优化算法概述
1.2.2 国内外研究现状
1.3 代表性的群智能优化算法
1.3.1 PSO算法
1.3.2 DE算法
1.3.3 ABC算法
1.3.4 CS算法
1.3.5 WOA算法
1.3.6 COA算法
1.4 实验环境配置
1.5 算法评价标准
1.6 所用参数标识
参考文献
第2章 GWO算法概述
2.1 GWO算法的原理
2.2 GWO算法的数学模型
2.3 GWO算法的优势与局限性
2.4 本章小结
参考文献
第3章 反向学习和差分变异的GWO算法
3.1 引言
3.2 最优最差反向学习策略
3.3 动态随机差分变异策略
3.4 单维和全维分段操作
3.5 ODGWO算法的流程
3.6 仿真实验及结果分析
3.6.1 测试函数
3.6.2 对比算法和参数设置
3.6.3 ODGWO算法与其他算法在30维和50维函数上的对比结果
3.6.4 ODGWO算法与其他算法在1000维基准函数上的对比结果
3.6.5 ODGWO算法与其他算法的平均运行时间对比及其计算复杂度分析
3.6.6 ODGWO算法与其他算法的Wilcoxon符号秩检验对比结果
3.6.7 ODGWO算法与其他对比算法的Friedman检验对比结果
3.7 本章小结
参考文献
第4章 随机反向学习和MEPD的强化等级制度的GWO算法
4.1 引言
4.2 强化狼群等级制度
4.3 改进的EPD算子
4.4 随机反向学习策略
4.5 仿真实验及结果分析
4.5.1 测试函数与参数设置
4.5.2 RSMGWO算法与不完全算法的对比结果
4.5.3 RSMGWO算法与GWO改进算法的对比结果
4.5.4 RSMGWO算法与其他最先进的群智能优化算法的对比结果
4.5.5 RSMGWO算法与GWO改进算法在大规模函数上的对比结果
4.5.6 RSMGWO算法与其他算法的收敛性分析对比结果
4.5.7 RSMGWO算法与其他算法的Wilcoxon符号秩检验对比结果
4.5.8 RSMGWO算法与其他算法的Friedman检验对比结果
4.6 本章小结
参考文献
第5章 趋优反向学习和随机反向空置算子的GWO算法
5.1 引言
5.2 新型反向学习策略
5.2.1 一般反向学习策略
5.2.2 随机反向学习策略
5.3 趋优策略
5.4 自适应随机差分扰动策略
5.5 单维和全维交叉策略
……
第6章 混合差分进化的GWO算法
第7章 基于DE全局最优和随机学习的GWO算法
第8章 混合鲸鱼优化的GWO算法
第9章 精简差分扰动GWO算法与均值榜样学习PSO算法的混合算法
第10章 混合人工蜂群算法的GWO算法
第11章 混合郊狼优化算法的GWO算法
第12章 混合同步热交换搜索的GWO算法
第13章 改进GWO算法应用于聚类优化
第14章 总结与展望
附录A 基准函数
附录B GWO算法源代码