【智能算法改进】多策略增强的哈里斯鹰优化算法用于全局优化任务

最新推荐文章于 2024-09-27 14:28:55 发布

小O的算法实验室

最新推荐文章于 2024-09-27 14:28:55 发布

阅读量1k

点赞数 18

分类专栏：智能算法智能算法应用论文复现文章标签：算法论文复现智能算法改进

本文链接：https://blog.csdn.net/Logic_9527/article/details/141140441

版权

智能算法应用同时被 3 个专栏收录

363 篇文章 0 订阅

订阅专栏

智能算法

300 篇文章 14 订阅

订阅专栏

论文复现

49 篇文章 0 订阅

订阅专栏

1.算法原理

【智能算法】哈里斯鹰算法（HHO)原理及实现

——复现文章：多策略增强的哈里斯鹰优化算法用于全局优化任务（Enhanced Harris hawks optimization with multi-strategy for global optimization tasks）

2.摘要

哈里斯鹰优化（HHO）算法是一种新提出的元启发式优化算法，模拟哈里斯鹰的捕猎过程。它具有调整参数少和优化效果强的特点，在类似的优化算法中具有强大的竞争力。然而，HHO在处理特定复杂优化问题时容易出现早熟收敛和收敛精度低的问题。因此，我们的工作将两种新颖的策略整合到标准HHO中，以增强探索和利用能力。具体来说，我们首先提出了一种基于对数螺线和反向学习的探索策略，以提高HHO的探索能力。其次，提出改进罗森布洛克方法（RM）的局部搜索技术，以动态融入标准HHO算法，增强算法的局部搜索能力并提高收敛精度。

3.优化技术原理

对数螺旋(Logarithmic spiral)

对数螺旋（LS）也被称为生长螺旋、等角螺旋和奇迹螺旋。在自然界中有许多对数螺旋形状，同时也有许多基于对数螺旋的数学优化算法（鲸鱼优化算法WOA，飞蛾扑火算法MFO）。对数螺旋轨迹:
$X_{t+1}=\begin{vmatrix}X_{best}-X_t\end{vmatrix}\times e^{bl}\times\cos\bigl(2\pi l\bigr)+X_{best}\tag{1}$

反向学习(Opposition-based learning)

基于反向学习(OBL)最初于2005年提出，它是提高随机搜索算法搜索能力的有效方法。OBL基本原理是寻找候选解的相对位置，然后评估最优候选解和相对位置。根据概率原理，新位置接近最佳位置的概率为50% 。OBL可以有效地增加种群的多样性，在一定程度上有助于改善算法早熟收敛的缺陷:
$\widehat{X}=k\times\left(ub+lb\right)-X\tag{2}$

在这里插入图片描述
罗森布洛克方法(Rosenbrock method)

RM是一种经典的无导数局部搜索技术，具有自适应搜索方向和大小。作为一种有效的局部搜索技术，RM已成功与人工蜂群算法结合使用，该算法在某些复杂的优化问题上表现出独特的卓越性能。因此，这让我们看到了这种局部搜索的潜力。
在这里插入图片描述
RM使用标准正交基中的各个方向作为初始搜索方向，按顺序进行搜索。搜索步长（δi）根据搜索结果的成功或失败进行调整：成功时增大步长（乘以参数α，α > 1），失败时减小并反向步长（乘以参数β，-1 < β < 0）。算法循环执行这个过程，直到每个方向都至少出现一次成功和失败的步骤后结束当前循环。同时，每当每个方向都有至少一次成功和失败的移动时，算法会更新其标准正交基，使用Gram-Schmidt正交化方法或帕尔默方法进行更新。

4.改进策略

Logarithmic spiral based on opposition-based learning (LS-OBL)

基于对数螺旋(LS)和反向学习(OBL)的探索策略，称为LSOBL。它基于在当前解和基于对立的解之间构建对数螺旋空间轨迹的原理，从而实现更广泛和更合理的探索范围:
$X_{t+1}=\begin{vmatrix}X_{best}-X_{opposite}\end{vmatrix}\times e^{bl}\times\cos\bigl(2\pi l\bigr)+X_{best}\tag{3}$

The modified RM

基本的RM（罗森布洛克方法）被开发用于处理单峰问题。因此，作为一种局部搜索技术，它仅适用于单峰问题，而多峰问题会陷入局部最优而无法跳出。如果我们不对基本的RM进行修改，搜索方向将不会在迭代过程中及时更新，且获得的正确方向信息将不会被保留。因此，基于上述事实，本文修改了必要的RM终止条件。同时，修改后的RM中的初始步长是使用一种新方法生成。

在这里插入图片描述

流程图

在这里插入图片描述

伪代码

在这里插入图片描述

5.结果展示

CEC2005

在这里插入图片描述

6.参考文献

[1] Li C Y, Li J, Chen H L, et al. Enhanced Harris hawks optimization with multi-strategy for global optimization tasks[J]. Expert Systems with Applications, 2021, 185: 115499.