A medida que avanza la técnica de greybox fuzzing dirigido (DGF), se utiliza ampliamente en varios campos como la reproducción de defectos, pruebas de parches e identificación de vulnerabilidades. Sin embargo, los DGF actuales desperdician una cantidad significativa de recursos debido a sus definiciones de distancia simplistas y distribución de energía excesivamente directa para las semillas. Para abordar estos problemas, se propone primero una estrategia de estimación de distancia basada en ponderación dinámica de distancias, que facilita estrategias para la distribución de semillas que tienen en cuenta la energía. En segundo lugar, para superar las limitaciones de las estrategias actuales de distribución de energía de semillas, se mejora el optimizador de lobo gris (GWO) mediante la integración de cuatro estrategias, lo que lleva al desarrollo del optimizador de lobo gris mejorado (IGWO). Por último, se propone un algoritmo de búsqueda adaptativo y se implementa la herramienta prototipo WolfFuzz. En escenarios de recurrencia de vulnerabilidades, WolfFuzz es 3.2 veces más rápido en promedio en comparación con el punto de referencia y reproduce el 76.4% de los errores existentes más rápido. WolfFuzz también descubre nueve tipos diferentes de errores en siete programas del mundo real.