高维复杂单目标函数优化问题之所以难的原因：
（1）维度的增加，搜索空间的呈现指数级的增加，即使在算法的种群规模确定的情况下，优质可行解的比例也是相对比较小的吧，从而使得获得有直接的概率减小（自己是这样理解的。总感觉维度的增加的目的是获得更好的解，也就是说随着纬度的增加解得约束更多，获得优质解的概率更小）
（2）群体智能算法的寻优时间相对比较长，也就是寻优精度会受到进化次数的影响。在时间的制约下，即使算法可以面面俱到，但是现实的结果可能也会促使放弃。贴上实用性不高的标签（比如网页中的3秒，通常是客户等待的最大阈值）
（3）随着维度的增加，算法的收敛速度会降低，使得算法不能再有限的时间完成操作
（4）有多局部最优解的存在
逻辑模式：
****算法也不可避免上述问题，通过实验与分析发现，造成算法易陷入局部最优的原因有两个：第一，整个狼群的搜索行为过度依赖头狼的位置，容易造成猎物群多样性下降；第二，狼群算法的参数设置较多，不易控制，如果参数设置不当，容易造成算法寻优精度不高或不收敛的情况。造成算法收敛速度慢的原因有两点：第一，算法的寻优过程分为游走、奔袭和围攻，但人工狼之间缺少必要的信息交流，造成算法全局性不高，过于分散；第二，围攻行为步长恒定，如果步长设置不当，会造成算法无法准确围攻目标，导致算法收敛性下降。基于上述原因...........+设计思想
设计了1.交互游走行为与交互召唤行为，使得探狼、猛狼进行信息交流，有助于人工狼更好的掌握全局信息，保证狼群多样性，提高狼群寻优能力；为了加速收敛速度，为狼群围攻行为设计了自适应围攻行为，根据狼群离猎物的远近，自适应的调节围攻步长，使得算法调节能力强
改进的主要的策略（1）游走行为交互策略（2）奔袭行为的交互策略（3）狼群围攻的自适应策略
交互游走行为
（1）探狼是随机 进行选择h个方向然后进行的，但是互相之间并没有交流，会不会之间就是存在的重复？可以记录自己找过的方向和位置。在文章中使用gbest导向作用。公式：
在最初的游走是为了获得猎物，所以在游走的过程是根据气味浓度，会得到看到猎物，然后根据猎物
伪代码：
交互奔袭行为
自适应围攻行为
总体 论文在ch
在看到论文的改进的时候，觉的很有道理。到后来的虽然看完了，但是不在状态，有些理解不了。在交互游走的时候，那个获得就是交互的猎物？ 以及产生h+1猎物。目前不懂