精英反向学习与黄金正弦优化的HHO算法

一、理论基础

1、哈里斯鹰优化算法(HHO)

请参考这里。

2、融合精英反向学习与黄金正弦的EGHHO

（1）精英反向学习机制

请参考这里。

（2）黄金正弦算法

请参考这里。

（3）EGHHO优化算法

针对基本哈里斯鹰算法存在的不足，本文提出了精英反向学习机制与黄金正弦的哈里斯鹰优化算法(EGHHO)。基本HHO算法采用随机初始化的斱法初始化种群，没有先验知识，易导致鹰群多样性差的问题。初始种群的质量对算法的寻优性能有较大影响，优良的初始种群有利于全局寻优。因此，本文引入精英反向学习机制改进哈里斯鹰算法，采用群体选择的方法，将当前哈里斯鹰群体与其反向群体按适应值排序，选择出最优的哈里斯鹰个体作为新一代个体，以此提高HHO算法的种群质量。首先，融入EBOL策略的HHO算法提高了初始化种群的多样性，增加了搜索空间，奠定了全局优化的基础；其次，在每次迭代时，EBOL策略可以产生远离局部极值点的反向解，指引HHO算法跳出局部极值，增强算法全局搜索的能力。另外，EBOL策略采用动态边界的跟踪搜索模式将个体定位在逐步缩小的搜索区域中，提高HHO算法的收敛精度和速度。
融合精英反向学习与黄金正弦算法的EGHHO算法的流程图如下：

图1 EGHHO算法的流程图

二、实验仿真与结果分析

本文选取了新颖的群智能算法——蝴蝶优化算法(Butterfly Optimization Algorithm, BOA)和黑猩猩优化算法(Chimp Optimization Algorithm, Chimp OA)以及基本哈里斯鹰算法(HHO)和融合精英反向学习与黄金正弦的哈里斯鹰算法(EGHHO)进行对比。所有算法种群规模$N=30$，问题维度$D=30$，最大迭代次数$T=500$，四种算法共有参数保持一致。以文献[1]的f2、f4、f5(单峰函数)和f6、f9、f10(多峰函数)为例，每个算法独立运算30次。
结果显示如下：

函数：F2
BOA：平均值:4.7261e-09,标准差:1.0436e-09,最差值: 5.8429e-09,最优值:2.0929e-09
Chimp OA：平均值:5.2121e-05,标准差:5.8301e-05,最差值: 0.00025053,最优值:1.5358e-07
HHO：平均值:3.9141e-51,标准差:1.4266e-50,最差值: 7.1752e-50,最优值:1.1342e-59
EGHHO：平均值:6.4865e-206,标准差:0,最差值: 1.699e-204,最优值:8.7191e-224
函数：F4
BOA：平均值:5.984e-09,标准差:3.8045e-10,最差值: 6.6529e-09,最优值:5.2869e-09
Chimp OA：平均值:0.36302,标准差:0.58289,最差值: 3.0521,最优值:0.011114
HHO：平均值:3.546e-48,标准差:1.8795e-47,最差值: 1.0304e-46,最优值:5.0317e-59
EGHHO：平均值:1.2648e-207,标准差:0,最差值: 3.7346e-206,最优值:6.5275e-225
函数：F5
BOA：平均值:28.9375,标准差:0.02341,最差值: 28.985,最优值:28.9005
Chimp OA：平均值:28.8845,标准差:0.14497,最差值: 28.9705,最优值:28.2259
HHO：平均值:0.012904,标准差:0.035894,最差值: 0.1949,最优值:2.7024e-05
EGHHO：平均值:0.01942,标准差:0.023441,最差值: 0.080324,最优值:2.6278e-05
函数：F6
BOA：平均值:3.9135e-12,标准差:1.9063e-12,最差值: 8.1322e-12,最优值:1.152e-12
Chimp OA：平均值:0.015837,标准差:0.024999,最差值: 0.081185,最优值:7.5206e-09
HHO：平均值:0,标准差:0,最差值: 0,最优值:0
EGHHO：平均值:0,标准差:0,最差值: 0,最优值:0
函数：F9
BOA：平均值:0.65527,标准差:0.17589,最差值: 0.98709,最优值:0.38855
Chimp OA：平均值:0.47937,标准差:0.22361,最差值: 0.90111,最优值:0.23787
HHO：平均值:6.0235e-06,标准差:6.9595e-06,最差值: 2.4695e-05,最优值:1.947e-09
EGHHO：平均值:1.3066e-05,标准差:1.7963e-05,最差值: 8.0882e-05,最优值:4.0742e-10
函数：F10
BOA：平均值:2.8375,标准差:0.24868,最差值: 2.9995,最优值:2.1726
Chimp OA：平均值:2.7461,标准差:0.12804,最差值: 2.9934,最优值:2.528
HHO：平均值:7.2185e-05,标准差:7.294e-05,最差值: 0.00025957,最优值:2.7342e-07
EGHHO：平均值:0.00011348,标准差:0.00013929,最差值: 0.00053939,最优值:2.1001e-08

结果表明，融合两种改进策略较好地提升了算法的全局寻优性能、寻优精度、寻优速度和鲁棒性。

三、参考文献

[1] 郭雨鑫, 刘升, 高文欣, 等. 精英反向学习与黄金正弦优化的HHO算法[J]. 计算机工程与应用, 2022, 58(10): 153-161.