【目的】电力工程项目通常具有成本高和工期长的特点，且施工过程中受到多种因素的影响，如气候条件、原材料成本等。传统的成本和工期预测主要依赖经验，容易导致成本估算不足或冗余，进而造成工期延误或资源浪费。随着机器学习技术的快速发展，基于数据驱动的方法被引入成本和工期预测中，但由于电力工程领域的数据集规模较小，传统机器学习模型易出现过拟合问题，预测性能受限。基于该背景提出了一种结合支持向量回归(SVR)、分类与回归决策树(CART)、多变量线性回归模型(MLR)和灰狼优化算法(GWO)的混合模型，通过改进更新策略和参数搜索方法，以提升模型在小数据集上的预测精度和泛化能力。【方法】方案结合机器学习模型和改进的灰狼优化算法，搭建了一个高效的电力工程成本和工期预测框架。采用支持向量回归、分类与回归决策树和多变量线性回归模型作为基线机器学习方法，并利用灰狼优化算法对上述模型的参数进行搜索以防止过拟合，同时提出两项改进措施：采用混沌序列初始化狼群位置，确保种群多样性；优化灰狼位置的更新策略，通过周围群体信息共享提升搜索能力。【结果】实验结果表明，与传统方法相比，所提出的混合模型在成本和工期预测上具有较明显的优势。在训练和测试集上的性能结果对比显示，传统机器学习模型容易产生过拟合问题，导致泛化能力不足，而结合GWO的模型改善了该问题。其中，MLR+GWO混合模型在训练集和测试集上的表现均优于其他模型。进一步实验结果表明，通过改进灰狼优化算法(iGWO),混合模型的收敛速度显著加快，仅需6～8次迭代即可达到较优的适应度，而传统GWO算法需迭代11～12次才能达到类似效果。此外，改进算法有效避免了传统GWO算法容易陷入局部最优的问题。【结论】所提出基于线性回归和改进灰狼优化算法的混合模型在电力工程成本和工期预测领域展现出较为明显的性能优势。改进的灰狼优化算法通过优化初始化序列及更新策略，提升了算法的全局搜索能力和收敛速度。提出的混合模型泛化性能优于传统的机器学习模型，与传统方法相比，该方法在预测精度和训练效率方面均表现良好。