作者在前面的文章中介绍了ELM和KELM的原理及其实现，ELM具有训练速度快、复杂度低、克服了传统梯度算法的局部极小、过拟合和学习率的选择不合适等优点，而KELM则利用了核学习的方法，用核映射代替随机映射，能够有效改善隐层神经元随机赋值带来的泛化性和稳定性下降的问题，应用于非线性问题的性能更优[1]。

而灰狼优化算法(GWO)通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的，这一机制在平衡探索和开发方面取得了不错的效果，并且在收敛速度和求解精度上都有良好的性能,具有原理简单、并行性﹑易于实现,需调整的参数少且不需要问题的梯度信息,有较强的全局搜索能力等特点。

仅售代码，运行报错可联系我

微信公众号：KAU的云实验台

代码目录：