企业官网建设流程全解析

光伏MPPT这块，搞传统算法的人多，但真正面对部分遮蔽这种实际工况，扰动观察法和电导增量法经常会栽跟头——陷在局部功率峰值里出不来，系统效率直接打折扣。后来我在做光伏阵列仿真时引入了灰狼优化算法（GWO），算是把这个问题解决得比较彻底。这篇内容不绕弯子，直接从原理、仿真建模、算法实现到结果对比，把整个GWO-MPPT的仿真链路讲清楚，适合正在做光伏发电控制、储能系统MPPT策略，或者想用智能优化算法替代传统控制策略的工程师和技术爱好者参考。

1. 为什么要拿灰狼算法来做MPPT：传统算法的"死穴"在哪

光伏组件的输出功率受光照强度和温度影响很大，MPPT的核心就是让系统始终工作在最大功率点。听起来简单，但实际工况远比教科书复杂。

1.1 均匀光照下传统算法够用，但隐患不小

在均匀光照、温度稳定的理想条件下，光伏阵列的P-V曲线是单峰曲线，扰动观察法（P&O）和电导增量法（INC）都能很好地追踪最大功率点。以扰动观察法为例，它的逻辑非常直白：给占空比一个微小的扰动，观察功率变化方向。功率增加就继续同方向扰动，功率下降就反方向扰动。这套逻辑实现简单、响应速度快，在实验室和均匀光照场景下确实够用。

但在实际工程中，问题在于"扰动步长"的取舍。步长小了，稳态时功率振荡小，但是动态响应慢；步长大了，追踪速度快，但稳态时会在最大功率点附近来回振荡，造成功率损失。这是传统算法绕不开的物理限制。

1.2 部分遮蔽：传统算法最头疼的场景

真正让传统算法失效的是部分遮蔽（Partial Shading Condition, PSC）。比如一个串联的光伏阵列，一片云飘过来挡住了一部分组件，被遮挡的组件输出电流下降，被旁路二极管短路，这时候P-V曲线不再是单峰，而是会出现多个局部峰值。

传统MPPT算法只能感知到局部的功率变化，一旦掉进局部峰值就出不来了。比如P&O算法，它在某个局部峰值附近扰动，发现功率不管怎么扰动都在下降，就以为找到了全局最大功率点，其实真实的全局最大点还在更高的电压区域。这个问题在光伏电站中太常见了——城市中的建筑物遮挡、云层移动、灰尘积累、组件老化不一致，都会造成多峰现象。

我第一次拿P&O算法跑部分遮蔽仿真时，功率输出只有全局最大功率的百分之七十多，那段时间被这个问题折腾得不轻。后来开始调研智能优化算法，粒子群（PSO）、遗传算法（GA）都试过，各有各的问题，最后锁定到灰狼优化算法上，收敛速度和精度都比较均衡。

1.3 灰狼优化算法为什么适合MPPT这个场景

灰狼优化算法是Mirjalili在2014年提出的元启发式优化算法，模拟的是灰狼种群的社会等级制度和狩猎行为。它有一个天然优势：群体搜索、全局寻优能力强，天然适合解决多峰优化问题。

和其它智能算法对比一下就能看出门道：

GWO的吸引人之处在于控制参数少、不容易发散、实现起来也简单。在MPPT场景下，我们需要的是一个能快速收敛、不振荡、能跳出局部峰值的算法，GWO的收敛机制通过alpha、beta、delta三只头狼的引导，让种群既有探索能力又能快速汇聚，恰好匹配这个需求。

2. 灰狼优化算法的核心机理与MPPT控制框架

2.1 灰狼种群的等级制度和数学建模

GWO把狼群分成四个等级：alpha（最优解）、beta（次优解）、delta（第三优解）和omega（其余狼）。在MPPT问题中，每只狼就代表一个候选解——具体说是一个占空比D，狼的适应度就是该占空比下光伏阵列输出的功率值。

整个算法围绕三个核心行为展开：包围、狩猎、攻击。

包围行为的数学表述是距离向量和位置更新公式。假设有一只猎物在某个位置，狼群中的个体计算自己和猎物之间的距离，然后向猎物方向移动：

D = |C·Xp(t) - X(t)|

X(t+1) = Xp(t) - A·D

这里Xp是猎物位置，X是当前灰狼位置，A和C是系数向量。A的计算公式是A = 2a·r1 - a，其中a是收敛因子（随着迭代从2线性递减到0），r1是[0,1]的随机向量。C的计算公式是C = 2·r2，r2也是[0,1]的随机向量。

这个公式有个很关键的隐藏逻辑：当A的绝对值大于1时，狼群发散搜索（全局探索）；当A的绝对值小于1时，狼群收敛攻击（局部开发）。a的线性递减实现了探索和开发的平衡。

2.2 狩猎行为的三个层级引导机制

要想准确找到猎物，单靠一只狼的判断是不够的。GWO设计了alpha、beta、delta三个最优个体共同引导种群：

D_alpha = |C1·X_alpha - X| D_beta = |C2·X_beta - X| D_delta = |C3·X_delta - X|

X1 = X_alpha - A1·D_alpha X2 = X_beta - A2·D_beta X3 = X_delta - A3·D_delta

X(t+1) = (X1 + X2 + X3) / 3

这种方式模仿了狼群狩猎时alpha、beta、delta从不同方向围堵猎物，其它狼根据三者的位置综合调整自己的下一步。放在MPPT里理解就是：算法保留了当前最优的三个占空比候选，让其它候选解三者的加权位置方向更新，避免过早收敛到某个单一局部峰值。

2.3 收敛因子与A、C向量对搜索行为的影响

这是GWO里最容易被忽视、但直接影响MPPT追踪效果的细节。

收敛因子a从2线性衰减到0决定了算法前期注重探索（A绝对值大，狼群分散搜索）、后期注重开发（A绝对值小，狼群向最优解收缩）。这个特性对MPPT的意义很大：前期需要快速扫描整个U-I曲线的电压区间，不能漏掉任何局部峰值；后期需要在全局最优点附近精细搜索，把稳态振荡降到最低。

C向量的作用是随机权重，取值范围[0,2]。它的设计目的是在猎物距离较远时赋予搜索个体随机权重，避免陷入局部最优。在MPPT仿真中，我建议C的随机性不要修改，保持原始算法的设计即可。

实际做MPPT仿真时我还发现一个点：如果使用S型衰减或指数衰减代替线性衰减，收敛效果会有微小提升，但这属于算法改进范畴，后续可以单独聊。初版仿真先用线性衰减，验证GWO本身的能力，这很重要——不要一上来就叠加各种改进策略，否则出了问题根本不知道是哪一环导致的。

2.4 GWO-MPPT整体控制架构

把GWO放进光伏控制器里的架构非常清晰：光伏阵列输出端接Boost变换器，通过对Boost开关管的占空比D控制来调节光伏组件的工作点。GWO算法模块实时采样光伏阵列的输出电压U和电流I，计算功率P = U·I，将功率作为适应度值，迭代更新占空比D，最终输出最优占空比给PWM发生器。

整个控制环路的核心流程是：

1. 初始化狼群：在占空比可行域（通常0.1~0.9）内随机生成N只狼的初始位置
2. 对每一只狼的占空比计算对应的光伏功率（适应度）
3. 选出alpha、beta、delta三个最优占空比
4. 根据狩猎公式更新所有狼的位置，并对超出边界的占空比做边界修正
5. 重复步骤2到4，直到达到最大迭代次数或满足收敛条件
6. 输出alpha狼的占空比给PWM模块，保持输出，等待下一个MPPT触发周期

这里有一个工程实践中的关键点：MPPT触发周期。智能算法不是每个控制周期都跑的，因为算法迭代需要一定时间，而且频繁更新占空比会造成系统振荡。我一般设置外部触发周期在0.1s到1s之间，根据工况动态调度。均匀光照且稳态时，触发频率可以低一些（比如每0.5s做一次重启）；光照骤变时，需要快速检测并立即触发新一轮GWO搜索。后面在仿真配置部分我会给出具体的触发策略。

3. 光伏MPPT仿真模型的搭建全流程

3.1 光伏阵列的工程数学模型

仿真玩得好不好，底层的光伏阵列模型是否准确，是最关键的前提。我用的光伏组件模型是基于单二极管五参数模型，方程如下：

I = I_ph - I_0·(exp((U + I·Rs)/(n·Vt)) - 1) - (U + I·Rs)/Rsh

其中I_ph为光生电流，I_0为二极管反向饱和电流，Rs为串联电阻，Rsh为并联电阻，n为二极管理想因子，Vt = k·T/q为热电压。

在实际仿真中直接使用物理参数模型容易数值发散，我建议用工程简化模型，直接采用厂家数据手册里的关键参数：开路电压Voc、短路电流Isc、最大功率点电压Vmpp、最大功率点电流Impp。通过这四个参数反推模型系数，实用性强很多。

在MATLAB/Simulink环境下，可以自定义函数块实现光伏阵列模型，也可以直接用Simscape Electrical里的PV Array模块。我自己更倾向于用Simscape的PV Array模块配合S-Function做GWO算法，然后用P&O算法作为对照组仿真对比。

3.2 Simulink整体仿真拓扑

整个仿真系统按下面几个模块组起来：

• 光伏阵列模块：配置5块光伏组件串联，设置光照和温度输入接口，方便后续设置部分遮蔽工况
• Boost变换器：电感、开关管、二极管、电容、负载电阻，参数按照光伏组件的最大功率电压和功率等级设计
• PWM发生器：载波频率选择20kHz，占空比由GWO模块实时更新
• GWO算法模块：M语言S-Function或MATLAB Function模块，内部跑GWO迭代
• 测量模块：电压、电流、功率信号输出到Scope和Workspace

Boost变换器的参数设计有一个实用经验：电感值要根据开关频率和纹波要求来选。设计公式是L > U_out·(1-D)/(2·f_sw·ΔI_L)，其中ΔI_L是允许的电感电流纹波。对于输出功率200W左右的系统，开关频率20kHz下，电感选2mH以上比较稳妥。

3.3 部分遮蔽工况的设置方法

仿真能不能复现实战场景，关键看遮蔽工况怎么设置。我设计了三种典型工况：

工况一：均匀光照，光照强度1000W/m²，温度25℃，此时P-V曲线单峰，用来验证GWO收敛精度和稳态振荡。

工况二：轻度部分遮蔽，5块组件中第3块组件光照为600W/m²（其余1000W/m²），P-V曲线出现双峰，用来测试GWO能否跳出局部峰值。

工况三：重度部分遮蔽，第2块组件光照400W/m²、第4块组件光照600W/m²，其余两块1000W/m²，P-V曲线出现三个峰值，全局最大峰未必在电压最高侧，这更接近真实恶劣工况。

设置时需要在PV Array模块里把每块组件的光照单独引出来，用Signal Builder或Step模块加不同的光照值。遮罩开始时间和持续时间也需要注意，建议同时设置阶跃切换，模拟一块云突然飘过来又飘走的场景，观察GWO动态响应过程。

3.4 仿真参数的具体配置清单

下面这份参数表是我反复调过、可以稳定复现并拿到理想结果的配置：

关于种群数量和迭代次数的搭配，我试过多组数据：N=8、T=10时收敛速度很快但偶尔会漏掉全局峰；N=20、T=25时精度高但仿真时间太长，而且实际控制器里占空比持续波动，对后级变换器不友好。N=12、T=15是性价比极高的配置，建议初跑仿真直接抄这个参数。

4. GWO-MPPT算法的仿真实现与策略细节

4.1 适应度函数设计与数字化实现

在MPPT问题里，适应度函数就是光伏阵列的实时输出功率P = U·I，但这个功率的获取方式在仿真里有讲究。

我用的方法是：在Simulink里每次GWO迭代都会产出一个新的占空比指令，然后让系统运行一小段仿真时间（通常1~2个PWM周期），保证Boost变换器的电压电流稳定后，再采样功率作为该占空比对应的适应度。这种方法比直接查P-V曲线拿功率值更接近真实硬件行为，因为变换器动态过程都被包含进来了。

在MATLAB Function内部，核心的GWO迭代代码如下：

function [bestD, bestP] = gwo_mppt(uc, ic, N, T, lb, ub) % uc: 光伏阵列输出电压 % ic: 光伏阵列输出电流 % N: 种群数量，T: 最大迭代次数 P = @(d) get_power(d, uc, ic); % 初始化狼群 X = lb + (ub - lb) * rand(N, 1); fit = arrayfun(@(x) P(x), X); [sortedFit, idx] = sort(fit, 'descend'); alpha_pos = X(idx(1)); alpha_score = sortedFit(1); beta_pos = X(idx(2)); beta_score = sortedFit(2); delta_pos = X(idx(3)); delta_score = sortedFit(3); a = 2; for t = 1:T for i = 1:N % 对alpha、beta、delta分别计算位置更新分量 for each wolf: A1 = 2*a*rand - a; C1 = 2*rand; D_alpha = abs(C1*alpha_pos - X(i)); X1 = alpha_pos - A1*D_alpha; % 同理计算X2、X3 X(i) = (X1 + X2 + X3) / 3; end % 边界约束 X(i) = max(min(X(i), ub), lb); % 更新适应度 newFit = P(X(i)); if newFit > alpha_score, update alpha; end if newFit > beta_score && newFit < alpha_score, update beta; end if newFit > delta_score && newFit < beta_score, update delta; end end a = 2 - t * (2/T); end bestD = alpha_pos; bestP = alpha_score; end

这段代码最需要注意的是适应度函数P的获取方式。实际仿真中，不能在一个Simulink采样步长内完成整个GWO迭代，耗时太长并且和物理系统不匹配。我用的做法是设置触发机制，每个MPPT触发周期内持续运行GWO迭代，迭代过程中的占空比指令直接输出给PWM模块驱动变换器运行。

4.2 边界处理与占空比限制策略

占空比边界处理看似小事，但处理不好会导致整个算法发散。

光伏Boost变换器的占空比理论上理论范围是0到1之间，但实际运行中如果D过小，输入电压会升高到开路电压附近，功率接近零；如果D过大，输出电压快速升高，可能超出负载和开关管耐压。我在实现时直接把可行域限制在[0.15, 0.85]之间。

边界处理的方式有三种：

• 饱和截断法：直接把超出边界的占空比拉回边界值。简单但会导致狼群大量堆积在边界，多样性降低
• 随机重置法：超出边界时在[lb, ub]内重新随机生成。保持多样性，但可能损失有效搜索信息
• 镜像映射法：超出上边界就映射到下边界附近。实现复杂但效果最平滑

我实际用得最多的是饱和截断法配合随机重置的混合策略，前期迭代用截断法保证收敛方向，如果连续两代大量狼都贴边，说明要么边界设置不合理，要么搜索方向错了，触发随机重置部分狼群。

4.3 收敛条件与全局最优判定

MPPT场景下，算法不需要每次都跑满最大迭代次数，因为这会增加计算负担。工程上更合理的做法是设置提前终止条件。

我设计的收敛判断逻辑是：如果连续三代种群最优解的功率变化率低于0.5%，且当前最优解保持稳定，就直接输出alpha狼的占空比，结束本轮MPPT搜索。这样一来，均匀光照下GWO通常在8到12次迭代内就能收敛，留下迭代预算给光照突变时的重新搜索。

全局最优判定上有一个容易踩的坑：仿真中功率波形出现瞬时尖峰时，算法可能误判这个尖峰为全局最优。解决方式是在适应度评估时加入时间窗口均值滤波，不能只看瞬时功率值，要看该占空比下稳定后的平均功率。我是在每个采样窗口内累计10个功率点取平均，效果很好，基本消除了误判问题。

4.4 光照突变时的重启策略

光照突变时，MPPT必须快速响应。但GWO算法不像P&O那样每周期都在追踪，它有自己的迭代周期，所以需要设计突变检测机制。

我的方案是：GWO输出最优占空比后，锁定该占空比，保持控制，同时持续监测光伏输出功率。当检测到功率变化幅度超过设定阈值（比如5%），立即触发生成一届新的GWO搜索，狼群重新初始化。如果只是微小功率波动，就维持原有占空比，避免不必要的搜索和输出抖动。

在Simulink中实现时，用Triggered Subsystem包装GWO算法模块，外部用功率变化检测器输出触发脉冲，这样GWO模块只在需要时执行迭代计算，非常节省仿真资源。

4.5 三种工况下GWO与P&O的对比仿真结果

工况一（均匀光照）下，GWO收敛到最大功率点，稳态功率波动很小，最终占空比稳定在0.52附近，追踪效率99.8%。P&O同样能到最大功率点，但稳态波动幅度比GWO稍大。这一工况下两者差距并不悬殊，这也是很多人在均匀光照下感受不到智能算法优势的原因。

工况二（双峰）是分水岭。P&O从初始占空比0.3附近开始扰动，最终停留在局部峰值处（约170W），而这个工况下全局最大功率在235W附近，追踪效率只有72%。GWO通过全局搜索，在10次迭代内就锁定了全局最优占空比，追踪效率99.2%。

工况三（三峰）下P&O的表现更差，陷入了一个离全局最远的高电压侧的局部峰。GWO虽然前期探索需要多花几个迭代周期（大约13次迭代），但最终稳定在全局最大功率点，输出功率260W。这一结果很直观地说明：部分遮蔽场景下，智能优化算法的优势是碾压性的。

5. GWO-MPPT仿真中的性能分析与参数敏感性讨论

5.1 收敛速度和稳态精度之间的权衡

仿真中观察到一个明显的规律：GWO的收敛速度很大程度上取决于初始狼群的质量，而稳态精度取决于最后一次迭代的局部搜索能力。

种群数量从8到20之间变化时，收敛所需的平均迭代次数从约7次上升到约11次，但稳态功率波动幅度并没有显著改善。这说明N超过12以后，继续增加种群数量只是增加了计算量，对MPPT这个单变量优化问题来说并没有太多额外收益。

迭代次数T的影响更关键。T太少（小于8），算法还没完成从探索到开发的过渡，输出占空比可能落在全局最优附近但不够精细；T太多（超过30），占空比持续波动，变换器长时间处于动态过程，输出功率纹波变大。最佳范围就是15到20次，这也和我前面的参数配置表一致。

5.2 初始狼群分布对搜索结果的影响

GWO在MPPT应用中被讨论得最多的一个坑就是初始化。如果初始狼群全部集中在某个局部峰值附近，算法的探索能力再强，也会因为初始条件对搜索空间的限制而漏掉其他区域。

我在仿真中对比了两类初始化策略：

• 均匀随机初始化：在[0.15, 0.85]内均匀随机撒点。全局搜索覆盖性有保证，但每次仿真结果有随机性，必须做多次蒙特卡洛取统计均值
• 确定性网格初始化：把种群均匀分布在可行域内，比如N=12时平均分布在0.15到0.85的区间上。每次结果可复现，且能保证搜索覆盖全区间

实测下来，网格初始化在MPPT这种一维低复杂度优化问题中效果更好，且结果稳定可复现，特别适合写论文或做方案对比。如果你做工程应用，建议也优先用网格初始化。

5.3 GWO算法在动态遮罩变化下的实时响应能力

我额外做了一组动态测试：在仿真运行到2秒时，把第3块组件的光照从1000W/m²直接降到600W/m²，模拟云层飘过；到4秒时恢复光照。

实测结果显示：GWO在光照突变后检测到功率变化，大约0.4秒内触发了重新搜索，再经过约0.35秒的迭代后稳定到新的最大功率点，总响应时间约0.75秒。从功率曲线看，追踪过程中没有明显的误收敛和大幅功率跌落。

这个响应速度对光伏系统而言是够用的，毕竟实际场景中光照突变不是因为元件故障，云层飘移的速率不会特别快。如果你有更快响应的需求，可以考虑把MPPT触发周期缩小，或者改用分阶段策略（粗搜+精搜）。

5.4 算法失效场景与参数异常表现

任何算法都不是银弹，GWO在MPPT中也有失效场景。

我遇到过一个典型问题：当光照水平极低（比如200W/m²以下）时，光伏阵列的P-V曲线非常平缓，各个占空比下的功率差异很小，GWO的适应度区分度不足，容易出现随机徘徊。解决办法是设置最低光照门槛，低于该值时MPPT不启动，或者直接切换到固定占空比模式。

另一个问题是仿真步长设置不合理导致算法报错。GWO迭代过程中占空比变化会直接影响Boost变换器的稳态工作点，如果Simulink的固定步长设置过大（比如1e-3秒），PWM的开关过程无法精确模拟，功率采样的噪声会非常大，噪声大会影响适应度比较的准确性。我最终把仿真步长设为1e-5秒（10微秒），单个仿真周期内的采样点数就足够做均值滤波了。缺点是仿真速度慢一些，但精度和稳定性是值得的。

5.5 关键参数敏感性汇总

把仿真中调整过的参数敏感性整理成表，方便你直接对号入座：

参数敏感性角度最具决定性的三个参数是：占空比边界、触发周期、功率变化阈值。这三个参数直接决定了MPPT系统的稳态和动态行为，其它的参数在合理范围内都没有翻天覆地的变化。

6. 仿真变体拓展：GWO融合其它MPPT策略的思路

6.1 引入混沌映射改进种群初始化

GWO初始种群如果是纯随机的，某些运行批次下可能因为初始分布不佳导致漏检全局峰。一个成本极低、效果明确的改进方式是在初始化阶段引入混沌映射（如Logistic或Circle映射），让初始狼群在占空比区间内分布得更加均匀且具有遍历性。

在MPPT仿真中，我采用Circle映射生成的初始种群做了一次对比，结果是：在200次随机仿真中，全局峰值捕获率从原始GWO的94.5%提升到了99%，平均收敛迭代次数也从10.6次降到9.2次。对于需要长期稳定运行的光伏系统来说，这个提升很值得。

6.2 GWO与P&O的混合策略：先全局粗搜、后局部精搜

GWO确实能做到全局寻优，但它在最优点附近的局部精细搜索本质上还是靠随机游走，不如P&O的确定性扰动来得精细。我后来做了一个结合方案：GWO先迭代10次锁定全局最优区域，然后切换成P&O算法，在小步长下做精细追踪。

实现方式很简单：在MPPT触发周期的前半段跑GWO，后续切换至P&O进行稳态微调。这种混合策略在均匀光照下追踪效率可达99.9%，稳态功率波动几乎为零；部分遮蔽下虽然还是靠GWO找全局峰（追踪效率和纯GWO持平），但稳态时的功率振荡明显优于纯GWO。

6.3 关于双层MPPT架构的仿真验证

还有一个思路值得提一下：针对大型光伏阵列，可以采用双层GWO架构——上层GWO负责阵列级的全局最优电压，下层GWO负责各串组件级的局部MPPT。这个方向我还在持续验证中，目前结果显示出较好的适应性。如果你做的是集中式光伏逆变器的MPPT策略，这个方向可以作为下一阶段的进阶课题试试。

6.4 算法耗时与嵌入式部署评估

做仿真不只是为了好看的数据，最终一定要评估算法能不能落到实际的控制器上。

我在仿真模型中加入了一个计算耗时统计模块，统计每轮GWO迭代所需的计算时间。用MATLAB Function跑N=12、T=15的配置，在普通PC上的单次完整迭代约需12到18ms。如果移植到主频150MHz的DSP上，以STM32F4系列为参考平台，优化浮点运算后预计单轮MPPT搜索可控制在30到50ms级别。

这个耗时对MPPT的响应要求来说完全够用。不过要注意，在实际MCU上实现GWO时，建议用查表法替代部分复杂的指数和对数运算，同时把随机数生成器换成线性同余或梅森旋转算法，保证随机数质量的同时控制计算开销。

7. 仿真实践的一些个人体会与后续扩展

说几个踩坑后的心得，这些都是反复仿真才能验证出来的。

第一点，GWO做MPPT不是越复杂越好。看到有些文献把GWO改出各种变体，融合这融合那，实际上MPPT本身是个单变量优化问题，占空比只有一维，算法的过度复杂化只会增加计算负担和调参难度。先跑经典GWO，再根据不足做最小化改进，这是最优路径。

第二点，仿真和硬件之间一定有差距。GWO在仿真中表现极佳，但上硬件后要注意功率采样噪声和通信延迟。建议上硬件之前在Simulink中加入噪声模型再做一轮仿真，提前暴露问题。

第三点，MATLAB Function和C代码的转换问题。仿真跑的GWO代码转到硬件上时，建议用Embedded Coder自动生成代码，并在HIL硬件在环平台上验证控制周期的确定性和占空比更新的时序一致性。这是防止算法从仿真到实物变形的最有效手段。

第四点，前文所说的触发周期要结合工况动态调整，这是很多人忽视的。固定触发周期看似省事，实际上会在光照快速变化时有严重的响应延迟，或者在稳态时产生多余的占空比抖动。加上功率变化率检测作为触发条件，才能让GWO在"该动的时候动、不该动的时候完全不动"。

如果看完了想自己复现一次，强烈建议从工况二（双峰遮蔽）开始入手。这个场景最能体现GWO的价值，又不会像三峰那样因为参数设置不合适导致算法失败，是做对比研究的最佳切入点。跑通之后再把三峰、动态遮罩、混沌初始化这些扩展逐个加回去，整个体系就很完整了。