灰狼优化算法(GWO)是模仿灰狼的等级制度和狩猎方式而发展起来的一种元启发式优化技术。因其具有参数少,易于实现、收敛速度快等优点,已成功应用于路径规划、聚类分析、特征选择、电力调度等研究领域。但是,GWO也具有种群多样性差、后期收敛速度较慢、易陷入局部最优的缺点。针对算法易陷入局部最优这一缺点,本文提出了两个新的个体更新机制,并将其与GWO相结合提出了两个新的改进算法,通过平衡勘探和开发能力以使算法跳出局部最优。主要研究工作如下:(1)提出了一个自适应领导阶层的灰狼优化算法(AL-GWO):在AL-GWO中设计了一个基于领导阶层数量的个体更新机制,并利用一个参数自适应的调节领导阶层数量以平衡勘探和开发能力。AL-GWO在20个基准函数上进行实验,结果表明与其他算法相比AL-GWO具有更良好的性能。(2)提出了一个基于差分演化的灰狼优化算法(DE-GWO):由于原始GWO的开发能力过强,该算法将具有较强勘探能力的DE引入其中来更新个体位置,扩展了GWO的搜索范围,实现了勘探和开发的平衡,最终改进了GWO的缺陷。将DE-GWO应用到20个基准测试函数上,结果与其他算法比较验证了DE-GWO在求解精度和收敛性方面的优越性。