基于领导者变异选择的哈里斯鹰优化算法

一、理论基础

1、哈里斯鹰优化算法

请参考这里。

2、领导者变异选择的哈里斯鹰优化算法

2.1 探索阶段$\left(|E|\ge 1\right)$

定义第$i$只鹰的自适应栖息概率($p_{ap}^i$)，它取决于当前鹰的适应度值(位置向量$X_i$的$f(X_i)$)、迄今为止最佳鹰的适应度值(位置向量$X_{prey}$的$f(X_{prey})$)和迄今为止最差鹰的适应度值(位置向量$X_{worst}$的$f(X_{worst})$)。于是，自适应栖息概率($p_{ap}^i$)可以建模为$$p_{ap}^i=\frac{|f(X_i)-f(X_{prey})|}{|f(X_{worst})-f(X_{prey})|},i=1,2,\cdots ,N\text{\hspace{1em}(1)}$$然后可将探索阶段建模为$$X_i(new)=\{\begin{array}{l}{X}_{rand}(t)-r_1|X_{rand}(t)-2r_2{X}_i(t)|q\ge p_{ap}^i\\ \left(X_{prey}(t)-X_m(t)\right)-r_3\left(LB+r_4\left(UB-LB\right)\right)q<p_{ap}^i\end{array}\text{\hspace{1em}(2)}$$其中$X_m(t)$是$N$只鹰的当前种群的平均位置向量。

2.2 开发阶段$\left(|E|<1\right)$

开发阶段可以建模为四种可能的攻击策略，类似于HHO，如下所示。

2.2.1 软围攻$(r\ge 0.5\text{and}|E|\ge 0.5)$

$$X_i(new)=X_{prey}(t)-X_i(t)-E|J{X}_{prey}(t)-X_i(t)|\text{\hspace{1em}(3)}$$其中$J$是HHO中的跳跃强度。

2.2.2 硬围攻$(r\ge 0.5\text{and}|E|<0.5)$

$$X_i(new)=X_{prey}(t)-E|X_{prey}(t)-X_i(t)|\text{\hspace{1em}(4)}$$

2.2.3 累速俯冲式软围攻$(r<0.5\text{and}|E|\ge 0.5)$

$$X_i(new)=\{\begin{array}{l}{Y}_{i}iff(Y_i)<f(X_i(t))\\ Z_{i}iff(Z_i)<f(X_i(t))\end{array}\text{\hspace{1em}(5)}$$其中，$Y_i$和$Z_i$是基本HHO中对应公式计算所得。

2.2.4 累速俯冲式硬围攻$(r<0.5\text{and}|E|<0.5)$

$$X_i(new)=\{\begin{array}{l}{Y}_{i}iff(Y_i)<f(X_i(t))\\ Z_{i}iff(Z_i)<f(X_i(t))\end{array}\text{\hspace{1em}(6)}$$其中，$Y_i$和$Z_i$是基本HHO中对应公式计算所得。 \newline
HHO算法从探索到开发的转换取决于猎物的逃逸能量，逃逸能量随迭代次数变化的行为如图1所示。可以观察到，在最大迭代次数的50%之后，逃逸能量$|E|$始终低于1，这表明HHO算法仅在最大迭代次数的50%后执行开发，这表明探索受到了限制。因此，最优值可能会搜索至局部最优值。为了补充HHO，提出了一种基于领导者变异的选择方法，有利于提高算法的探索能力。

图1 500次迭代中HHO猎物逃逸能量的变化曲线

2.3 基于领导者的变异选择

根据$N$个鹰中新位置向量$X(new)$的适应度函数值，定义最佳鹰位置向量$X_{best}^t$、次优鹰位置向量$X_{best-1}^t$和第三优鹰位置向量$X_{best-2}^t$。然后，第$i$个哈里斯鹰的变异位置向量$X_i(mut)$可以定义为$$\begin{gathered} X_i(mut)=X_i(new)+2\left(1-\frac{t}{t_{\max }}\right)(2rand-1)(2X_{best}^t-(X_{best-1}^t+X_{best-2}^t)) \\ +(2rand-1)(X_{best}^t-X_i(new))\text{\hspace{1em}(7)} \end{gathered}$$其中，$rand$为$(0,1)$间的随机数。
利用式(8)和式(9)分别更新下一代个体$X_i(t+1)$的位置向量和猎物的位置$X_{prey}$。$$X_i(t+1)=\{\begin{array}{l}{X}_i(mut)f(X_i(mut))<f(X_i(new))\\ X_i(new)f(X_i(mut))\ge f(X_i(new))\end{array}\text{\hspace{1em}(8)}$$$$X_{prey}=\{\begin{array}{l}{X}_i(mut)f(X_i(mut))<f(X_{prey})\\ X_i(new)f(X_i(new))<f(X_{prey})\end{array}\text{\hspace{1em}(9)}$$

3、LHHO算法伪代码

提出的基于领导者变异选择的哈里斯鹰优化算法(LHHO)的伪代码如图2所示。

图2 LHHO算法伪代码

二、仿真实验与结果分析

将LHHO与HHO进行对比，实验设置种群规模为30，最大迭代次数为500，每个算法独立运行30次，以文献[1]中F3、F4(100维/单峰函数)、F11、F12(100维/多峰函数)、F21、F22(4维、4维/固定维度多峰函数)为例，结果显示如下：

函数：F3
LHHO：最差值: 4.8138e-81, 最优值: 3.634e-123, 平均值: 1.6746e-82, 标准差: 8.7834e-82, 秩和检验: 1
HHO：最差值: 3.8354e-56, 最优值: 1.9134e-92, 平均值: 1.2785e-57, 标准差: 7.0025e-57, 秩和检验: 6.722e-10
函数：F4
LHHO：最差值: 8.257e-71, 最优值: 1.258e-83, 平均值: 3.1148e-72, 标准差: 1.506e-71, 秩和检验: 1
HHO：最差值: 4.0747e-48, 最优值: 4.2562e-57, 平均值: 2.3363e-49, 标准差: 7.9306e-49, 秩和检验: 3.0199e-11
函数：F11
LHHO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
HHO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F12
LHHO：最差值: 2.9001e-06, 最优值: 2.5288e-10, 平均值: 5.3315e-07, 标准差: 7.811e-07, 秩和检验: 1
HHO：最差值: 2.2619e-05, 最优值: 1.0018e-09, 平均值: 3.9363e-06, 标准差: 5.4442e-06, 秩和检验: 0.00076973
函数：F21
LHHO：最差值: -5.0552, 最优值: -10.1532, 平均值: -9.1332, 标准差: 2.0739, 秩和检验: 1
HHO：最差值: -5.055, 最优值: -10.1486, 平均值: -5.2249, 标准差: 0.92994, 秩和检验: 1.4643e-10
函数：F22
LHHO：最差值: -5.0876, 最优值: -10.4029, 平均值: -9.871, 标准差: 1.6217, 秩和检验: 1
HHO：最差值: -5.0875, 最优值: -5.0877, 平均值: -5.0876, 标准差: 4.57e-05, 秩和检验: 4.9752e-11

实验结果表明：LHHO的性能优于HHO。

三、参考文献

[1] Naik, M.K., Panda, R., Wunnava, A. et al. A leader Harris hawks optimization for 2-D Masi entropy-based multilevel image thresholding[J]. Multimedia Tools and Applications, 2021, 80: 35543-35583.