近红外光谱因其快速、方便、低成本以及无损等优势，已广泛应用于诸多领域。然而，近红外光谱同时存在变量维度高、多重共线性、包含冗余信息和高频噪声等问题，直接构建预测模型不但增加建模复杂度，还会影响模型的预测性能和泛化能力。因此选择信息最丰富的变量或剔除信息不丰富的变量变得尤为重要。变量选择方法主要有基于单一指标、基于统计学和基于群体智能优化3种。其中群体智能优化算法凭借强大的全局搜索能力，在特征变量筛选方面具有巨大的潜力。

灰狼算法（Graywolfoptimizer，GWO）是由Mirjalili等于年开发的一种群体智能优化算法。该算法模拟灰狼群体捕食行为的特性，基于狼群按个体的能力划分社会等级，选出狼群的领导者，通过狼群追踪、包围、追捕、狩猎等过程来达到优化搜索的目的，狩猎过程即算法寻优过程。GWO算法因参数少，结构简单，易于实现，在求解优化问题上具有很好的局部搜索能力和求解精度，受到研究者的广泛

转载请注明:http://www.aideyishus.com/lkjg/136.html