随着群体智能算法近20年的快速发展,由于它所具有较强的鲁棒性和简洁性的特点,现在被广泛应用于不同领域中。在2014年,Mirjalili等人提出一种新的群体智能仿生算法即灰狼算法(Grey Wolf Optimizer,GWO),该算法是通过模拟狼群的领导层次与狩猎机制所实现,相比于其他的智能优化算法,如粒子群算法(PSO)、差分进化算法(DE)等,有着参数少、收敛精度高等优点,然而该算法依旧有着以往传统智能优化算法的不足,易陷入早期局部最优解、收敛速度较慢等问题,所以灰狼算法任然处于改进研究阶段,同时应用范围不广。综上所述,本文针对其算法的不足做出了改进,同时将改进后的算法通过优化支持向量机的核参数与惩罚参数应用于人脸识别当中。论文的主要研究内容如下:本文针对灰狼算法的不足,提出一种改进灰狼算法,首先在灰狼算法中对于探索能力和开发能力的参数进行了改进,用非线性动态收敛函数代替原算法中的线性收敛函数,从而提高了算法的局部搜索能力,然后使用动态权值策略,通过动态平衡调节加快算法的全局搜索能力和局部搜索能力的收敛,从而寻求全局最优解。经过不同基准测试函数类型的对比,实验结果表示,改进后的灰狼算法相比于对比算法具有寻优精度更高、收敛速度更快的优势。在人脸识别方面,本文先采用二维主成分分析法(2DPCA)与主成分分析法(PCA),进行特征提取,然后将提取后的特征矩阵放入改进的灰狼算法优化后的分类器支持向量机(SVM),进行分类处理,通过ORL人脸库和Yale人脸库下的实验对比,证明优化后的支持向量机在分类性能上优于其他对比算法。