灰狼优化算法(Grey Wolf Optimizer,GWO)目前是相关学者比较关注的群智能优化算法。对灰狼优化算法的研究主要是集中在如何提高寻优精度和搜索效率。由于搜索策略是灰狼算法的关键步骤,所以很多针对其的优化是从搜索策略开始的;其次,也可通过优化初始种群提高灰狼算法的性能,如混沌初始化等。虽然优化搜索策略一定程度上提高了全局搜索能力,但单一的优化策略还不能完全开发出灰狼算法的潜力。协同过滤推荐算法则是通过寻找用户或商品之间的内在联系,对用户推荐感兴趣的商品。聚类就是其中一种被用于协同过滤的算法。通过灰狼算法可以优化K-Means,进而提升推荐的准确性。本文围绕灰狼算法展开研究,受层次分析法的启发,在种群初始化和随机游走两种策略之上,提出针对领导狼等级的优化方程,提升狼群的全局搜索能力。面对灰狼算法对高维函数求解能力弱时,引入协同进化的思想增强全局探索能力。将灰狼算法融合K-Means,初始化K-Means的聚类中心,提升了聚类结果的准确性。协同过滤阶段先使用灰狼聚类算法将用户的基本属性聚类,计算同一蔟中用户的最近邻居,填充用户-项目矩阵,再根据训练好的用户-项目矩阵为目标用户做出推荐。本文主要研究工作如下:(1)对灰狼算法最新研究进行分析,总结灰狼算法陷入局部最优的一些原因,为提高算法全局寻优能力和快速收敛提供思路。(2)在随机游走和混沌初始化种群的基础上,依据灰狼算法模型的特点。提出了一种领导狼等级关系的模型,使得灰狼算法的全局搜索能力和收敛速度明显提升。(3)采用了一种协同进化的思想,将灰狼算法与粒子群算法结合,弥补灰狼算法的不足,从而提升了全局搜索性能和处理高维数据集的能力。(4)研究聚类算法后,提出结合灰狼优化的聚类算法,通过灰狼算法的全局寻优能力,初始化k-means的初始中心,提高了聚类算法的精度和收敛速度。再将灰狼聚类算法用于协同推荐算法中,用以解决稀疏性问题。