固定的房间面积，朝向，日照时长，输入室外最高温，最低温，室内温度，室内人数，进行灰狼优化算法的模型预测，输出温度变化常数，

首先，我们需要构建一个灰狼优化算法模型来预测温度变化常数。可以按照以下步骤进行：

1. 定义目标函数：我们的目标是寻找最优的温度变化常数，使得预测的温度变化曲线与实际温度变化曲线误差最小化。因此，我们可以定义目标函数为均方根误差（RMSE）。

2. 确定模型变量：根据题目要求，模型变量包括房间面积，朝向，日照时长，输入室外最高温，最低温，室内温度和室内人数。

3. 构建模型：我们可以使用多元线性回归模型，将模型变量作为自变量，温度变化常数作为因变量进行建模。然后，使用灰狼优化算法来寻找最优的温度变化常数。

4. 训练模型：使用已有数据对模型进行训练，寻找最优的温度变化常数。

5. 预测结果：根据训练得到的模型和输入的变量，预测出温度变化常数。

以下是Python代码实现：

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from greywolfoptimizer import GWO

# 读取数据
data = pd.read_csv('data.csv')

# 定义目标函数为均方根误差
def rmse(y_true, y_pred):
    return np.sqrt(mean_squared_error(y_true, y_pred))

# 构建多元线性回归模型
X = data[['房间面积', '朝向', '日照时长', '室外最高温', '室外最低温', '室内温度', '室内人数']]
y = data['温度变化常数']
model = LinearRegression()
model.fit(X, y)

# 定义目标函数
def objective_function(variables):
    # 预测温度变化
    y_pred = model.predict([variables])[0]
    # 计算误差
    error = rmse([y], [y_pred])
    return error

# 确定变量范围
variables_range = np.array([[0, 100], [0, 1], [0, 12], [-10, 40], [-20, 30], [10, 30], [0, 10]])

# 使用灰狼优化算法寻找最优解
gwo = GWO(objective_function, 7, 50, variables_range)
best_solution, best_fit = gwo.optimize()

# 输出结果
print('最优解为：', best_solution)
print('误差为：', best_fit)

注意，上述代码中使用了 `greywolfoptimizer` 库来实现灰狼优化算法。如果没有安装该库，可以使用以下命令进行安装：

pip install greywolfoptimizer

需要将代码中的 `data.csv` 替换为实际数据文件名，并确保数据文件中包含了所有模型变量和温度变化常数。