群体智能优化算法起源于人们对自然界中一些现象的模拟,以计算机语言的方式模拟其中的生物进化机理、物理规律等。与传统优化方法相比,群体智能优化算法在各类复杂优化问题上具有较强的适应性等优点。如今这些算法被广泛的应用于科学研究领域和工程领域中。灰狼优化算法是近年来新兴的一种群体智能优化算法。因灰狼算法具有参数设置简单等特点,已经广泛应用于函数优化、智能控制等领域。本文提出了一种改进的灰狼算法,同时将该算法用于解决RBF神经网络的权值优化问题,优化后的RBF神经网络在KDD CUP99数据集的分类上得到了较好的效果。具体来说本文研究主要包含以下两个方面:一方面针对灰狼算法的缺点改进了灰狼算法。通过引入基于指数的非线性收敛因子策略和动态权重策略对灰狼算法进行改进,非线性收敛因子能够动态的平衡算法的搜索能力,而引入的动态权重使算法在收敛过程中能够动态的适应算法的环境并提高算法的收敛速度,采用基准测试函数对改进后的灰狼算法进行仿真实验,实验结果表明改进后的灰狼算法在收敛速度、收敛精度上均优于所对比的算法。另一方面将改进后的灰狼算法用于RBF神经网络优化中。首先针对灰狼算法的收敛精度低的缺点提出一种基于正弦收敛因子的灰狼算法,然后将RBF神经网络中的权值映射为灰狼算法中的个体,进而优化权值。将改进后的RBF神经网络应用于KDD CUP99数据集的分类实验。实验结果证明,经过优化后的RBF神经网络在数据集上分类性能要优于所对比算法。