一种基于分层非对称反向学习的灰狼优化方法及装置

本发明公开了一种基于分层非对称反向学习的灰狼优化方法及装置。本发明的技术方案要点在于引入一种社会引导的反向学习机制。该机制针对不同等级的代理采用差异化策略：对于较低等级的代理，基于一个被最优解位置所吸引的动态引导中心生成候选解，实现引力导向探索；对于最低等级的代理，则基于一个远离精英群体的排斥性参考点生成候选解，实现斥力跳跃以增强全局多样性。进一步地，本发明还通过精英适应度加权质心或基于密度聚类识别的多模态中心来优化引导方向。与现有技术相比，本发明通过增强层级间的协同引导，显著提升了算法在电力系统最优潮流中的全局寻优能力和收敛效率，并能有效应对多模态特性，提高了算法的鲁棒性和自适应性。