Grey Wolf Optimizer (GWO) belongs to the family of swarm intelligence and population-based algorithm which mimics the social behaviors of gray wolf packs. Due to its ease and viability, various researchers from different domains applied GWO to solve their research problems. However, GWO ought to have solid yet adjusted strengthening and broadening procedure to upgrade its execution. This paper introduces a novel SI algorithm, namely Accelerated gray Wolf Optimization (AGWO) which incorporates the enhanced hierarchy into GWO technique. Firstly, we introduce a mathematical model to strengthen the local and global search process. Then, we propose a diversity measure to eradicate the local confinement and to keep perfect balance between intensification and diversification process. Further, parameter tuned strategy is incorporated to speed up the convergence rate. The proposed methodology is experimented using MATLAB and tested with twenty-three mathematical benchmark problems (such as unimodal, multimodal and fixed dimensional multimodal functions). The search capability of the AGWO is compared with the generic GWO and various state-of-art swarm intelligence algorithms. Empirical results expose that AGWO provides better performance as per the standard deviation, best value and convergence curve compared to other algorithms. The sensitivity study of the proposed AGWO algorithm provides better results for 19 benchmark functions out of 23 benchmark functions in terms of minimal computation time and better convergence rate.

灰狼优化器（GWO）属于群体智能和基于人口的算法家族，该算法模仿灰狼背包的社会行为。由于它的简便性和可行性，来自不同领域的许多研究人员应用GWO解决了他们的研究问题。但是，GWO应该具有坚实而调整的加强和扩大程序，以提升其执行力。本文介绍了一种新颖的SI算法，即加速灰狼优化（AGWO），该算法将增强的层次结构合并到GWO技术中。首先，我们引入一个数学模型来加强本地和全局搜索过程。然后，我们提出了一种多样性措施，以消除局部限制，并在集约化和多样化过程之间保持完美的平衡。更多，引入参数调整策略以加快收敛速度​​。所提出的方法是使用MATLAB进行实验的，并通过23个数学基准问题（例如单峰，多峰和固定维多峰函数）进行了测试。将AGWO的搜索功能与通用GWO和各种最新的群智能算法进行了比较。实验结果表明，与其他算法相比，根据标准偏差，最佳值和收敛曲线，AGWO可以提供更好的性能。就最小的计算时间和更好的收敛速度而言，所提出的AGWO算法的灵敏度研究为23个基准函数中的19个基准函数提供了更好的结果。所提出的方法是使用MATLAB进行实验的，并通过23个数学基准问题（例如单峰，多峰和固定维多峰函数）进行了测试。将AGWO的搜索功能与通用GWO和各种最新的群智能算法进行了比较。实验结果表明，与其他算法相比，根据标准偏差，最佳值和收敛曲线，AGWO可以提供更好的性能。就最小的计算时间和更好的收敛速度而言，所提出的AGWO算法的灵敏度研究为23个基准函数中的19个基准函数提供了更好的结果。所提出的方法是使用MATLAB进行实验的，并通过23个数学基准问题（例如单峰，多峰和固定维多峰函数）进行了测试。将AGWO的搜索功能与通用GWO和各种最新的群智能算法进行了比较。实验结果表明，与其他算法相比，根据标准偏差，最佳值和收敛曲线，AGWO可以提供更好的性能。就最小的计算时间和更好的收敛速度而言，所提出的AGWO算法的灵敏度研究为23个基准函数中的19个基准函数提供了更好的结果。将AGWO的搜索功能与通用GWO和各种最新的群智能算法进行了比较。实验结果表明，与其他算法相比，根据标准偏差，最佳值和收敛曲线，AGWO可以提供更好的性能。就最小的计算时间和更好的收敛速度而言，所提出的AGWO算法的灵敏度研究为23个基准函数中的19个基准函数提供了更好的结果。将AGWO的搜索功能与通用GWO和各种最新的群智能算法进行了比较。实验结果表明，与其他算法相比，根据标准偏差，最佳值和收敛曲线，AGWO可以提供更好的性能。就最小的计算时间和更好的收敛速度而言，所提出的AGWO算法的灵敏度研究为23个基准函数中的19个基准函数提供了更好的结果。