作为一门前沿科学,智能优化算法是通过求解目标问题,并比较得到的结果来判断其性能优劣。目前,它存在一个不合理的现状:测试出有着更高性能的算法不断被提出,但实际应用中,只有经典优化算法被广泛使用,而那些有着较好性能的算法却更多的存在于论文中。其实这种测试算法性能的方式存在着不足,需要进一步补充完善。因此,本文提出了一种验证方法,用于完善测试性能的方法,并说明了其必要性。首先,介绍常用来测试算法性能的方法。选取9个经典的标准测试函数作为目标,以灰狼优化算法(Gray Wolf optimization algorithm,GWO)为中心,与布谷鸟算法(Cuckoo Search,CS),鸡群优化算法(Chicken Swarm Optimization,CSO),差分算法(Differential Evolution,DE),万有引力算法(Gravitational Search Algorithm,GSA)比较。在相同环境下,通过实验分析得出结论:GWO有着最好的性能,而且远超其余算法。接着,指出没有通过验证的算法会趋向于某个预设点,而不再是目标问题的最优值。这是测试性能的方法所遗漏的,会误导算法的发展方向。因此本文提出一种验证方法用于完善它。在相同的实验环境下,对GWO进行验证,得出结论:它没有通过验证。然后,验证方法的目标是检验智能优化算法是否会对问题的最优解位置敏感,并说明这种方法是决定测试算法性能的方法是否有效的前提。之后,针对这种验证方法比较繁琐的问题,提出了2种改进方案,并检验出CSO和本文外的许多算法也都没有通过验证。最后,通过分析GWO,PSO,CSO算法的基本原理和运算方式,确定出不同智能优化算法的框架不同造成出现问题的原因不同,甚至有些不能确定出现问题的原因,从而得出结论:没有统一修正智能优化算法出现问题的方法,最简单有效的方法是提出本文的验证方式。