基于集成正态云和动态扰动的哈里斯鹰优化算法(IHHO)求解单目标优化问题附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

针对基本哈里斯鹰算法收敛速度慢和易陷入局部寻优等问题,提出一种集成正态云模型和动态扰动策略的改进哈里斯鹰算法.在全局搜索阶段,利用正态云模型的随机性和模糊性和随机反向学习思想对哈里斯鹰位置进行更新,从而丰富种群多样性和提高算法全局搜索能力.在局部开发阶段,引入动态扰动策略更新不同捕食策略下的哈里斯鹰位置,改善算法局部开发能力.选取不同维度的基准测试函数进行仿真,同时利用Wilcoxon秩和检验,Friedman检验,三杆桁架设计问题对改进哈里斯鹰算法和其它优化算法进行对比分析.实验结果表明:提出的改进哈里斯鹰算法收敛速度更快,寻优精度更高,验证了改进策略的有效性.

哈里斯鹰优化算法（Harris' hawk optimization algorithm）是一种基于鸟群行为的优化算法，其步骤如下：

初始化种群：随机生成一定数量的鹰个体作为初始种群。

计算适应度：根据问题的适应度函数，计算每个个体的适应度值。

选择领导者：根据适应度值选择一定数量的个体作为领导者，可以根据适应度值的大小进行选择。

更新位置：对于非领导者个体，根据领导者个体的位置和速度信息，更新其位置。可以使用正态云分布和动态扰动来生成新的位置。

正态云分布：使用正态分布来生成随机扰动的位置，可以通过随机数生成器和正态分布函数来实现。

动态扰动：根据当前迭代次数和最大迭代次数的比例，调整扰动的大小和方向，使得扰动逐渐减小。

更新速度：根据更新后的位置，计算更新后的速度。

更新领导者：根据新位置的适应度值，更新领导者。

终止条件判断：判断是否满足终止条件，如达到最大迭代次数或找到满意的解。如果满足，则算法结束；否则，返回步骤4。

⛄ 部分代码

% Developed in MATLAB R2013b% Source codes demo version 1.0% _____________________________________________________​% Main paper:% Harris hawks optimization: Algorithm and applications% Ali Asghar Heidari, Seyedali Mirjalili, Hossam Faris, Ibrahim Aljarah, Majdi Mafarja, Huiling Chen% Future Generation Computer Systems, % DOI: https://doi.org/10.1016/j.future.2019.02.028% https://www.sciencedirect.com/science/article/pii/S0167739X18313530% _____________________________________________________​% You can run the HHO code online at codeocean.com  https://doi.org/10.24433/CO.1455672.v1% You can find the HHO code at https://github.com/aliasghar68/Harris-hawks-optimization-Algorithm-and-applications-.git% _____________________________________________________​%  Author, inventor and programmer: Ali Asghar Heidari,%  PhD research intern, Department of Computer Science, School of Computing, National University of Singapore, Singapore%  Exceptionally Talented Ph. DC funded by Iran's National Elites Foundation (INEF), University of Tehran%  03-03-2019​%  Researchgate: https://www.researchgate.net/profile/Ali_Asghar_Heidari​%  e-Mail: as_heidari@ut.ac.ir, aliasghar68@gmail.com,%  e-Mail (Singapore): aliasgha@comp.nus.edu.sg, t0917038@u.nus.edu% _____________________________________________________%  Co-author and Advisor: Seyedali Mirjalili%%         e-Mail: ali.mirjalili@gmail.com%                 seyedali.mirjalili@griffithuni.edu.au%%       Homepage: http://www.alimirjalili.com% _____________________________________________________%  Co-authors: Hossam Faris, Ibrahim Aljarah, Majdi Mafarja, and Hui-Ling Chen​%       Homepage: http://www.evo-ml.com/2019/03/02/hho/% _____________________________________________________%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%​% Harris's hawk optimizer: In this algorithm, Harris' hawks try to catch the rabbit.​% T: maximum iterations, N: populatoin size, CNVG: Convergence curve% To run HHO: [Rabbit_Energy,Rabbit_Location,CNVG]=HHO(N,T,lb,ub,dim,fobj)​function [Rabbit_Energy,Rabbit_Location,CNVG]=HHO(N,T,lb,ub,dim,fobj)% initialize the location and Energy of the rabbitRabbit_Location=zeros(1,dim);Rabbit_Energy=inf;​%Initialize the locations of Harris' hawksX=initialization(N,dim,ub,lb);​CNVG=zeros(1,T);​t=0; % Loop counter​while t<T    for i=1:size(X,1)        % Check boundries        FU=X(i,:)>ub;FL=X(i,:)<lb;X(i,:)=(X(i,:).*(~(FU+FL)))+ub.*FU+lb.*FL;        % fitness of locations        fitness=fobj(X(i,:));        % Update the location of Rabbit        if fitness<Rabbit_Energy            Rabbit_Energy=fitness;            Rabbit_Location=X(i,:);        end    end        E1=2*(1-(t/T)); % factor to show the decreaing energy of rabbit    % Update the location of Harris' hawks    for i=1:size(X,1)        E0=2*rand()-1; %-1<E0<1        Escaping_Energy=E1*(E0);  % escaping energy of rabbit                if abs(Escaping_Energy)>=1            %% Exploration:            % Harris' hawks perch randomly based on 2 strategy:                        q=rand();            rand_Hawk_index = floor(N*rand()+1);            X_rand = X(rand_Hawk_index, :);            if q<0.5                % perch based on other family members                X(i,:)=X_rand-rand()*abs(X_rand-2*rand()*X(i,:));            elseif q>=0.5                % perch on a random tall tree (random site inside group's home range)                X(i,:)=(Rabbit_Location(1,:)-mean(X))-rand()*((ub-lb)*rand+lb);            end                    elseif abs(Escaping_Energy)<1            %% Exploitation:            % Attacking the rabbit using 4 strategies regarding the behavior of the rabbit                        %% phase 1: surprise pounce (seven kills)            % surprise pounce (seven kills): multiple, short rapid dives by different hawks                        r=rand(); % probablity of each event                        if r>=0.5 && abs(Escaping_Energy)<0.5 % Hard besiege                X(i,:)=(Rabbit_Location)-Escaping_Energy*abs(Rabbit_Location-X(i,:));            end                        if r>=0.5 && abs(Escaping_Energy)>=0.5  % Soft besiege                Jump_strength=2*(1-rand()); % random jump strength of the rabbit                X(i,:)=(Rabbit_Location-X(i,:))-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:));            end                        %% phase 2: performing team rapid dives (leapfrog movements)            if r<0.5 && abs(Escaping_Energy)>=0.5, % Soft besiege % rabbit try to escape by many zigzag deceptive motions                                Jump_strength=2*(1-rand());                X1=Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:));                                if fobj(X1)<fobj(X(i,:)) % improved move?                    X(i,:)=X1;                else % hawks perform levy-based short rapid dives around the rabbit                    X2=Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:))+rand(1,dim).*Levy(dim);                    if (fobj(X2)<fobj(X(i,:))), % improved move?                        X(i,:)=X2;                    end                end            end                        if r<0.5 && abs(Escaping_Energy)<0.5, % Hard besiege % rabbit try to escape by many zigzag deceptive motions                % hawks try to decrease their average location with the rabbit                Jump_strength=2*(1-rand());                X1=Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-mean(X));                                if fobj(X1)<fobj(X(i,:)) % improved move?                    X(i,:)=X1;                else % Perform levy-based short rapid dives around the rabbit                    X2=Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-mean(X))+rand(1,dim).*Levy(dim);                    if (fobj(X2)<fobj(X(i,:))), % improved move?                        X(i,:)=X2;                    end                end            end            %%        end    end    t=t+1;    CNVG(t)=Rabbit_Energy;%    Print the progress every 100 iterations%    if mod(t,100)==0%        display(['At iteration ', num2str(t), ' the best fitness is ', num2str(Rabbit_Energy)]);%    endendend​% ___________________________________function o=Levy(d)beta=1.5;sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);u=randn(1,d)*sigma;v=randn(1,d);step=u./abs(v).^(1/beta);o=step;end​​

⛄ 运行结果

⛄ 参考文献

[1]张帅,王俊杰,李爱莲,等.集成正态云和动态扰动的哈里斯鹰优化算法[J].[2023-07-23].

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合