天鹰优化( AO )和非洲秃鹫优化 ( AVOA )是两个新开发的元启发式算法,分别模拟了自然界中天鹰和非洲秃鹫的几种智能狩猎行为。
AO具有强大的全球勘探能力,但其局部开采阶段不够稳定。另一方面,AVOA具有良好的开发能力,但勘探机制不足。
基于这两种算法的特点,本文提出了一种改进的AO和AVOA混合优化器IHAOAVOA,以克服单一算法中的不足,为求解全局优化问题提供更高质量的解决方案。
首先,将AO的勘探阶段和AVOA的开采阶段结合起来,保留各自有价值的搜索能力。
然后,设计了一种新的复合反向学习算法( COBL ),以增加种群多样性,帮助混合算法跳出局部最优。
此外,为了更有效地指导搜索过程,平衡探索和利用,引入适应度-距离平衡( FDB )选择策略对核心位置更新公式进行修正。
算法流程图:
算法伪代码:
算法原理:详见原文
算法仿真分析:
F1
F2
F3
F4
F5
F6
F7
由此可见,此改进算法效果极好,基本上如原文所说,完美融合了两个算法得优点,同时又通过新的机制,是全局搜索更强。
对于改进混合算法具有很大得参考价值。
参考文献:IHAOAVOA: An improved hybrid aquila optimizer and African vultures optimization algorithm for global optimization problems
matlab源码获取:https://mbd.pub/o/bread/ZZiYm5du