关键词：智能优化算法 灰狼优化算法 反向学习 差分变异 高维函数优化 

摘要：灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1 000维)优化上, ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比, ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上,与GWO、GWOepd和LGWO相比, ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

控制与决策杂志要求:

{1}注释及参考文献格式参照GB/T7714-2015《信息与文献参考文献著录规则》。

{2}请勿一稿两投；请遵循学术规范，如出现剽窃，文责自负。

{3}投稿方式：将电子版（Word 文档）发送至编委会邮箱，并以“ 作者单位+ 作者姓名+ 文章标题” 为邮件名称。

{4}属于课题或基金项目的论文，请详细注明类别、名称及编号等内容。

{5}用第一、第二……或首先、其次……时，如每段文字不长可在同一自然段内接排，如每段文字均较长，可另起一自然段。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社