本篇文章的內容來自閱讀《狼群演算法的研究與應用》的原文

摘自原文中的：

1.2智慧演算法簡介  

（1）Hackwood 和Beni1992年提出群智慧的概念，指出“所謂群體指的是一組仙湖之間可以進行直接或間接通訊，協作進行分散式問題求解的主體”

（2）群智慧指“不具備智慧行為的主體通過相互協作表現出智慧行為的特徵”

（3）

20 世紀 60 年代，
Michigan 大學的 Holland 教授和他的學生、同事共同提出的遺傳演算法[15](Genetic  Algorithm,  GA)為最早的仿生智慧演算法。該演算法模擬自然界生物自然選擇和遺傳機理，通過個體間的選擇、交叉、變異等操作求解最優化問題。隨後科研人員陸續提出了進化規劃[16](Evolutionary Programming, EP)、演化策略[17](Evolution Strategies, ES)、遺傳規劃[18](Genetic Programming, GP)等相似演算法。

例如：在現代神經科學研究基礎上，通過模擬大腦神經網路處理、記憶資訊等特點，Zeidenberg 提出了人工神經網路演算法

[19](Artificial Neural Network, ANN)；通過模擬螞蟻分工與協作的特點，Dorigo 等提出了蟻群演算法[20](ant colony optimization, ACO)；通過模擬人類文化進化過程，Reynolds等提出了文化演算法[21](Cutural Alogrithm, CA)；通過觀察鳥群捕食行為，Kennedy 等提出了粒子群優化演算法[22](Particle   Swarm Optimization, PSO)；在求解 Chebyshev 多項式擬合問題時，Storn 等提出了基於群體差異性的差分進化演算法[23](Differential Evolution,  DE)；利用 DNA 雙螺旋結構和鹼基互補配對的特點，將運算物件對映為DNA 分子鏈求解問題的 DNA 計算[24]方法；通過活細胞中以及組織、器官之間的協作關係衍生來的膜計算方法[25](Membrane Computing, MC,  也稱為 P 系統)；通過模擬大腸桿菌在食道內的覓食行為，Passino 等提出了細菌覓食優化演算法[26](Bactering Foraging Optimization Alogirithm, BFOA)；通過模擬魚群捕食中的聚群、追尾行為，李曉磊等提出了人工魚群演算法[27](Artificial Fish-swarm Algorithm, AFSA)；通過模仿青蛙覓食中群體資訊的交流與共享的特點，Eusuff 等提出了人工混合蛙跳演算法[28](Shuffled Frog Leaping Algorithm, SFLA)；通過模擬人口隨經濟重心而轉移、隨人口壓力增加而擴散機理，周勇華等提出了人工遷移演算法[29](Population  Migration Algorithm,  PMA)；模擬蜜蜂群體組織、繁殖及覓食行為的特點，Karaboga 等提出了人工蜂群演算法[30](Artificial Bee Colony Algorithm, ABC)；通過模擬螢火蟲發光的特性，

Krishnanand 等提出了螢火蟲演算法[31](Glowworm Swarm Optimization, GSO)；通過模擬布穀鳥的寄生育雛、微蝙蝠回聲定位並採用不同的脈衝發射率和響度，Yang 等分別提出了布穀鳥搜尋演算法[32](Cuckoo  Search,  CS，也稱作杜鵑搜尋演算法)和蝙蝠演算法[33](Bat Algorithm,  BA)；

1.3狼群演算法的國內外研究現狀

在演算法研究方面，文獻[41]在 WCA 演算法中加入領導者策略，提出基於領導者策略的狼群演算法(Leader Wolf Colony Algorithm，LWCA)，使得演算法一直由領導者領導，搜尋問題全域性最優解，實驗表明，在領導者帶領下，演算法尋優更精確，收斂速度更快。文獻[42]將 WPA 演算法融入文化演算法的框架下，提出文化狼群優化演算法(Cultural  Wolf Pack Algorithm, CWPA)，演算法將狼群置於種群空間，信仰空間依據頭狼所在位置進行建立，實驗表明演算法收斂速度與尋優精度均得到加強。文獻[43]在 WPA 的基礎上增加隨機生存更新規則，以保持演算法的多樣性，實驗表明該演算法收斂速度與收斂精度均得到加強，並將演算法應用求解 PID 問題。文獻[44]在 WSA 演算法的基礎上，融入非線性單純形法(Nelder-Mead, NM)，增強 WSA 演算法的區域性搜尋能力，實表明該方法獲得了較好的求解精度。文獻[45]提出 CWCA 演算法，該演算法由頭狼利用對映、擴充套件和收縮產生新的點，並由此點代替壞點，不斷向最優點靠近，併成功應用於 UCAV 路徑規劃問題，取得較好的優化效果。 在演算法應用方面，文獻[46]將 WCA 演算法應用於智慧電網高精度時間同步控制中，並取得較好的效果。文獻[47]成功將 WPA 演算法應用於糖尿病外周血管阻塞的估計，並取得一定效果。文獻[48]將 DE 演算法與 WPA 演算法融合，並應用於衛星導航欺騙干擾識別，實驗結果表明演算法具有更高的識別精度。文獻[49]提出等級劃分狼群演算法(Hierarchic Wolf Algorithm, HWA)，採用雙重編碼方式，克服 WCA 演算法只能求解連續優化的弊端，將 HWA 演算法應用於三維感測器優化佈置中取得了較好的效果。文獻[50]將敵方火力威脅和環境障礙處理成地圖峰值點，建立 UVA 航跡模型，並用 WPA 應用求解 UVA 問題，實驗表明了 WPA 比 PSO 更精確。文獻[51]將 WPA 演算法應用優化BP 神經網路演算法的初始權值和閾值，使得演算法收斂速度與精度得到提升。文獻[52]將 LWCA 演算法應用在光伏陣列 MPPT 中，有效進行全域性最大功率點的跟蹤，驗證了演算法的可行性。文獻[53]改進 LWCA 演算法的步長因子，提出 IWPS 演算法，並應用在水電站水庫優化排程中，實驗表明狼群演算法是求解該類問題的一種有效方法。文獻[54]利用狼群演算法處理神經網路學習訓練後的權值矩陣，實驗表明，具有狼群優化的自組織神經網路頻譜感知演算法具有更好的頻譜感知能力。文獻[55]在 WCA 演算法中引入分組策略，提出分散式狼群演算法(Distributed wolf  algorithm, DWA)，併成功解決三維感測器優化佈置問題。 在演算法離散化理論研究方面，文獻[56]提出離散狼群演算法(Discrete  Wolf  Pack Algorithm, DWPA)，該演算法採用遺傳演算法實現編碼，並對多選擇揹包問題進行求解，表明 DWPA 演算法是求解組合優化問題的新方法。文獻[57]提出二進位制狼群演算法(Binary Wolf Pack Algorithm,  BWPA)，該演算法引入運動運算元，對狼群搜尋行為進行二進位制編碼，並對 10 個經典的 0-1 揹包問題進行模擬實驗，表明演算法具有更高的穩定性和全域性尋優能力。文獻[58]提出了改進二進位制狼群演算法(Improve  Binary  Wolf  Pack Algorithm, IB-WPA)，該演算法設計了試探裝載式的修復機制，並對 19 組不同規模的多位揹包問題進行求解，證明了演算法的有效性和穩定性。文獻[59]也提出一種 DWPA 演算法，該演算法通過定義反轉演算法，對狼群重新編碼，並對多組 TSP 問題進行實驗，驗

證演算法具有較高的精確性、穩定性等優勢。