文章目录
- 一、理论基础
- 1、哈里斯鹰优化算法
- 2、领导者变异选择的哈里斯鹰优化算法
- 2.1 探索阶段 ( ∣ E ∣ ≥ 1 ) \left(|E|\geq1\right) (∣E∣≥1)
- 2.2 开发阶段 ( ∣ E ∣ < 1 ) \left(|E|<1\right) (∣E∣<1)
- 2.2.1 软围攻 ( r ≥ 0.5 and ∣ E ∣ ≥ 0.5 ) (r\geq0.5\,\,\text{and}\,\,|E|\geq0.5) (r≥0.5and∣E∣≥0.5)
- 2.2.2 硬围攻 ( r ≥ 0.5 and ∣ E ∣ < 0.5 ) (r\geq0.5\,\,\text{and}\,\,|E|<0.5) (r≥0.5and∣E∣<0.5)
- 2.2.3 累速俯冲式软围攻 ( r < 0.5 and ∣ E ∣ ≥ 0.5 ) (r<0.5\,\,\text{and}\,\,|E|\geq0.5) (r<0.5and∣E∣≥0.5)
- 2.2.4 累速俯冲式硬围攻 ( r < 0.5 and ∣ E ∣ < 0.5 ) (r<0.5\,\,\text{and}\,\,|E|<0.5) (r<0.5and∣E∣<0.5)
- 2.3 基于领导者的变异选择
- 3、LHHO算法伪代码
- 二、仿真实验与结果分析
- 三、参考文献
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 ( ∣ E ∣ ≥ 1 ) \left(|E|\geq1\right) (∣E∣≥1)
定义第 i i i只鹰的自适应栖息概率( p a p i p_{ap}^i papi),它取决于当前鹰的适应度值(位置向量 X i X_i Xi的 f ( X i ) f(X_i) f(Xi))、迄今为止最佳鹰的适应度值(位置向量 X p r e y X_{prey} Xprey的 f ( X p r e y ) f(X_{prey}) f(Xprey))和迄今为止最差鹰的适应度值(位置向量 X w o r s t X_{worst} Xworst的 f ( X w o r s t ) f(X_{worst}) f(Xworst))。于是,自适应栖息概率( p a p i p_{ap}^i papi)可以建模为 p a p i = ∣ f ( X i ) − f ( X p r e y ) ∣ ∣ f ( X w o r s t ) − f ( X p r e y ) ∣ , i = 1 , 2 , ⋯ , N (1) p_{ap}^i=\frac{|f(X_i)-f(X_{prey})|}{|f(X_{worst})-f(X_{prey})|},\,\,i=1,2,\cdots,N\tag{1} papi=∣f(Xworst)−f(Xprey)∣∣f(Xi)−f(Xprey)∣,i=1,2,⋯,N(1)然后可将探索阶段建模为 X i ( n e w ) = { X r a n d ( t ) − r 1 ∣ X r a n d ( t ) − 2 r 2 X i ( t ) ∣ q ≥ p a p i ( X p r e y ( t ) − X m ( t ) ) − r 3 ( L B + r 4 ( U B − L B ) ) q < p a p i (2) X_i(new)=\begin{dcases}X_{rand}(t)-r_1|X_{rand}(t)-2r_2X_i(t)|\quad\quad\quad\quad\quad\quad\,\,\, q\geq p_{ap}^i\\\left(X_{prey}(t)-X_m(t)\right)-r_3\left(LB+r_4\left(UB-LB\right)\right)\quad q<p_{ap}^i\end{dcases}\tag{2} Xi(new)={Xrand(t)−r1∣Xrand(t)−2r2Xi(t)∣q≥papi(Xprey(t)−Xm(t))−r3(LB+r4(UB−LB))q<papi(2)其中 X m ( t ) X_m(t) Xm(t)是 N N N只鹰的当前种群的平均位置向量。
2.2 开发阶段 ( ∣ E ∣ < 1 ) \left(|E|<1\right) (∣E∣<1)
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 ≥ 0.5 and ∣ E ∣ ≥ 0.5 ) (r\geq0.5\,\,\text{and}\,\,|E|\geq0.5) (r≥0.5and∣E∣≥0.5)
X i ( n e w ) = X p r e y ( t ) − X i ( t ) − E ∣ J X p r e y ( t ) − X i ( t ) ∣ (3) X_i(new)=X_{prey}(t)-X_i(t)-E|JX_{prey}(t)-X_i(t)|\tag{3} Xi(new)=Xprey(t)−Xi(t)−E∣JXprey(t)−Xi(t)∣(3)其中 J J J是HHO中的跳跃强度。
2.2.2 硬围攻 ( r ≥ 0.5 and ∣ E ∣ < 0.5 ) (r\geq0.5\,\,\text{and}\,\,|E|<0.5) (r≥0.5and∣E∣<0.5)
X i ( n e w ) = X p r e y ( t ) − E ∣ X p r e y ( t ) − X i ( t ) ∣ (4) X_i(new)=X_{prey}(t)-E|X_{prey}(t)-X_i(t)|\tag{4} Xi(new)=Xprey(t)−E∣Xprey(t)−Xi(t)∣(4)
2.2.3 累速俯冲式软围攻 ( r < 0.5 and ∣ E ∣ ≥ 0.5 ) (r<0.5\,\,\text{and}\,\,|E|\geq0.5) (r<0.5and∣E∣≥0.5)
X i ( n e w ) = { Y i i f f ( Y i ) < f ( X i ( t ) ) Z i i f f ( Z i ) < f ( X i ( t ) ) (5) X_i(new)=\begin{dcases}Y_i\quad\, if\,\,f(Y_i)<f(X_i(t))\\Z_i\quad if\,\,f(Z_i)<f(X_i(t))\end{dcases}\tag{5} Xi(new)={Yiiff(Yi)<f(Xi(t))Ziiff(Zi)<f(Xi(t))(5)其中, Y i Y_i Yi和 Z i Z_i Zi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 and ∣ E ∣ < 0.5 ) (r<0.5\,\,\text{and}\,\,|E|<0.5) (r<0.5and∣E∣<0.5)
X
i
(
n
e
w
)
=
{
Y
i
i
f
f
(
Y
i
)
<
f
(
X
i
(
t
)
)
Z
i
i
f
f
(
Z
i
)
<
f
(
X
i
(
t
)
)
(6)
X_i(new)=\begin{dcases}Y_i\quad\, if\,\,f(Y_i)<f(X_i(t))\\Z_i\quad if\,\,f(Z_i)<f(X_i(t))\end{dcases}\tag{6}
Xi(new)={Yiiff(Yi)<f(Xi(t))Ziiff(Zi)<f(Xi(t))(6)其中,
Y
i
Y_i
Yi和
Z
i
Z_i
Zi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
∣
|E|
∣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。
2.3 基于领导者的变异选择
根据
N
N
N个鹰中新位置向量
X
(
n
e
w
)
X(new)
X(new)的适应度函数值,定义最佳鹰位置向量
X
b
e
s
t
t
X_{best}^t
Xbestt、次优鹰位置向量
X
b
e
s
t
−
1
t
X_{best-1}^t
Xbest−1t和第三优鹰位置向量
X
b
e
s
t
−
2
t
X_{best-2}^t
Xbest−2t。然后,第
i
i
i个哈里斯鹰的变异位置向量
X
i
(
m
u
t
)
X_i(mut)
Xi(mut)可以定义为
X
i
(
m
u
t
)
=
X
i
(
n
e
w
)
+
2
(
1
−
t
t
max
)
(
2
r
a
n
d
−
1
)
(
2
X
b
e
s
t
t
−
(
X
b
e
s
t
−
1
t
+
X
b
e
s
t
−
2
t
)
)
+
(
2
r
a
n
d
−
1
)
(
X
b
e
s
t
t
−
X
i
(
n
e
w
)
)
(7)
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))\newline+(2rand-1)(X_{best}^t-X_i(new))\tag{7}
Xi(mut)=Xi(new)+2(1−tmaxt)(2rand−1)(2Xbestt−(Xbest−1t+Xbest−2t))+(2rand−1)(Xbestt−Xi(new))(7)其中,
r
a
n
d
rand
rand为
(
0
,
1
)
(0,1)
(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
)
X_i(t+1)
Xi(t+1)的位置向量和猎物的位置
X
p
r
e
y
X_{prey}
Xprey。
X
i
(
t
+
1
)
=
{
X
i
(
m
u
t
)
f
(
X
i
(
m
u
t
)
)
<
f
(
X
i
(
n
e
w
)
)
X
i
(
n
e
w
)
f
(
X
i
(
m
u
t
)
)
≥
f
(
X
i
(
n
e
w
)
)
(8)
X_i(t+1)=\begin{dcases}X_i(mut)\quad f(X_i(mut))<f(X_i(new))\\X_i(new)\quad f(X_i(mut))\geq f(X_i(new))\end{dcases}\tag{8}
Xi(t+1)={Xi(mut)f(Xi(mut))<f(Xi(new))Xi(new)f(Xi(mut))≥f(Xi(new))(8)
X
p
r
e
y
=
{
X
i
(
m
u
t
)
f
(
X
i
(
m
u
t
)
)
<
f
(
X
p
r
e
y
)
X
i
(
n
e
w
)
f
(
X
i
(
n
e
w
)
)
<
f
(
X
p
r
e
y
)
(9)
X_{prey}=\begin{dcases}X_i(mut)\quad f(X_i(mut))<f(X_{prey})\\X_i(new)\quad f(X_i(new))<f(X_{prey})\end{dcases}\tag{9}
Xprey={Xi(mut)f(Xi(mut))<f(Xprey)Xi(new)f(Xi(new))<f(Xprey)(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。
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.