狼群算法（WPA）是一种群体智能优化技术，其灵感来源于狼群的合作狩猎行为。它模仿狼群的社会等级和群体动态，以解决复杂的优化问题。在狼群中，角色被分为头狼（领导者）、贝塔狼（支持者）和奥米伽狼（追随者）。该算法使用这些角色来平衡探索（搜索新区域）和利用（优化已知解决方案）。狼通过嚎叫等行为进行交流，分享猎物位置的信息，这转化为优化任务中候选解决方案的更新。其目标是通过利用个体和集体智能有效地找到全局最优解。
该算法在三个主要阶段运行：侦察、包围和攻击。在侦察阶段，奥米伽狼随机探索搜索空间，以识别潜在的解决方案。当找到有希望的解决方案（猎物）时，贝塔狼包围它，通过以协调的步骤更靠近来优化搜索。头狼评估这些改进的解决方案，并将狼群引导至最佳解决方案。例如，在路径查找问题中，奥米伽狼可能探索不同的路线，贝塔狼可以优化找到的最短路径，而头狼会选择最佳路线。位置更新基于分层规则：奥米伽狼跟随贝塔狼，贝塔狼跟随头狼。步长（移动粒度）和嚎叫频率（通信间隔）等参数会影响收敛速度和准确性。
WPA 在需要动态协作的场景中非常有效，例如机器人协调、物流路线规划或资源分配。与粒子群优化 (PSO) 相比，WPA 的分层结构通过维持基于角色的探索的多样性来减少过早收敛。例如，在无人机集群任务中，WPA 可以使无人机分为侦察、监视和攻击小组。但是，调整步长和种群比例等参数可能具有挑战性。当问题边界不太明确时，开发人员可能更喜欢 WPA 而不是蚁群优化 (ACO)，因为狼会自适应地调整其搜索范围。虽然在计算上比简单的算法更繁重，但 WPA 在结构和灵活性之间的平衡使其适用于传统方法难以解决的非凸或多模态优化任务。