一种基于金鹰优化和灰狼优化的混合算法

一、理论基础

1、金鹰优化算法

请参考这里。

2、灰狼优化算法

请参考这里。

3、提出的混合算法

首先介绍了个体示例学习GEO(PELGEO)。其次，介绍了具有差分变异的简化GWO(DMSGWO)。最后，使用自适应交叉机制将两种算法进行杂交。

3.1 个体示例学习GEO(PELGEO)

请参考这里。

3.2 差分变异的简化GWO(DMSGWO)

3.2.1 差分变异策略

GWO具有强大的开发能力。然而，它的全局搜索能力可以提高。为了提高GWO的全局搜索能力，受DE启发，将DE中的差分变异策略引入到GWO中。变异操作是通过选择群体中两个个体的加权差来执行的。这种变异操作可以增加种群多样性，并大大提高GWO的探索能力。差分变异策略的更新公式如下：$$X_i^{t+1}=X_i^t+F\ast (X_k^t-X_i^t)\text{\hspace{1em}(1)}$$$$k=ceil(popsize\ast rand)\text{\hspace{1em}(2)}$$$$F=1-Q\ast \left(\frac{t}{T}\right)\text{\hspace{1em}(3)}$$其中，$F$是差分变异因子，其值随着迭代次数的增加而线性减小；$Q$是控制算子。早期较大的$F$值有利于算法跳出局部最优，增强算法的全局搜索能力；后期较小的$F$值有利于算法的局部搜索。$k$是从种群中随机选择的个体指数，$popsize$是种群规模。

3.2.2 简化策略

在GWO中，$C$值在算法的探索和开发中起着至关重要的作用，但在算法更新迭代过程中，需要用$C$值计算解的每个维度。这些操作需要一定量的计算，手动设置$C$值也需要一定的时间。因此，$C$值将导致时间复杂度的增加和算法的可操作性差。为了解决这个问题，提出了一种简化的策略来改进GWO。公式如下：$$x_1=x_{\alpha }^t-A_1\cdot \left|x_{\alpha }^t-x^t\right|\text{\hspace{1em}(4)}$$$$x_2=x_{\beta }^t-A_2\cdot \left|x_{\beta }^t-x^t\right|\text{\hspace{1em}(5)}$$$$x_3=x_{\delta }^t-A_3\cdot \left|x_{\delta }^t-x^t\right|\text{\hspace{1em}(6)}$$$$x^{t+1}=\frac{(x_1+x_2+x_3)}{3}\text{\hspace{1em}(7)}$$由于去除了$C$值，这在一定程度上导致了算法搜索能力的恶化。然而，该操作降低了一定的时间复杂度，并提高了算法的可操作性。简化GWO和PELGEO的混合可以有效地解决由于去除$C$导致的搜索能力降低的问题。

3.2.3 混合差异变异策略和简化策略

GWO具有强大的开发能力。为了在探索和开发之间实现有效平衡，引入正弦平衡因子$T_r$来控制DMSGWO的更新。当随机数$r_3>T_r$时，算法由式(7)更新，否则，算法由式(1)更新。平衡因子$T_r$的表达式如下：$$T_r=\frac{1}{2}\ast \left(\sin \left(2\pi \ast \frac{1}{4}\ast t+\pi \right)\ast \frac{t}{T}+1\right)\text{\hspace{1em}(8)}$$差分变异策略不仅提高了GWO的全局搜索能力，而且增强了种群多样性，有利于算法跳出局部最优。简化策略降低了GWO在更新过程中的时间复杂度，提高了算法的可操作性。$T_r$用于平衡这两种策略。在迭代的早期阶段，$T_r$略有波动，两种策略的执行概率相似。因此，$T_r$使种群多样性更高。在迭代的后期，$T_r$波动很大。较大的$T_r$使算法通过差分变异策略更新。较小的$T_r$使算法通过简化策略进行更新。平衡因子$T_r$用于控制这两种策略的使用，这有利于平衡算法的探索和开发。图1展示了平衡因子$T_r$的变化曲线。

图1 平衡因子 $T_r$的变化曲线

3.3 自适应混合策略

将PELGEO和DMSGWO进行了混合，以充分发挥其算法的优势，并提出了一种自适应混合策略。对于群体中的第一个搜索代理，其示例只能是其本身，没有其他的例子可以学习，PELGEO对搜索代理的优化效果不如DMSGWO显著。因此，第一个个体用DMSGWO更新。如果个体在$k$次迭代后获得的当前解不比前$k$次迭代生成的全局最佳解差，则执行DMSGWO，否则执行PELGEO。根据搜索代理的质量，自适应地交替执行这两种算法。这种更新方法可以使搜索代理跳出局部最优，更好地平衡探索阶段和开发阶段。图2展示了HEOGWO的伪代码。

图2 HGEOGWO算法伪代码

二、仿真实验与结果分析

将HGEOGWO与GEO、MFO、WOA和GWO进行对比，以CEC2013测试函数中的F3、F4(单峰函数/50维)、F14、F15(基本多峰函数/50维)、F23、F24(组合函数/50维)为例，实验设置种群规模为100，最大迭代次数为1000，每种算法独立运算1次，结果显示如下：

函数：F3
HGEOGWO：最优值: 731349770.0029
GEO：最优值: 962449810.216
MFO：最优值: 55762342377.9971
WOA：最优值: 61102565429.7079
GWO：最优值: 19873621259.3144
函数：F4
HGEOGWO：最优值: 30654.0696
GEO：最优值: 50609.3424
MFO：最优值: 203104.5936
WOA：最优值: 56303.2594
GWO：最优值: 53661.7941
函数：F14
HGEOGWO：最优值: 5817.5033
GEO：最优值: 8317.212
MFO：最优值: 7980.8913
WOA：最优值: 8104.5424
GWO：最优值: 5337.6434
函数：F15
HGEOGWO：最优值: 6921.2354
GEO：最优值: 13786.923
MFO：最优值: 9096.3567
WOA：最优值: 11961.4701
GWO：最优值: 7301.5594
函数：F23
HGEOGWO：最优值: 7115.6472
GEO：最优值: 10523.2567
MFO：最优值: 12285.3648
WOA：最优值: 11527.8449
GWO：最优值: 8536.171
函数：F24
HGEOGWO：最优值: 1294.2482
GEO：最优值: 1283.5325
MFO：最优值: 1369.3116
WOA：最优值: 1421.0253
GWO：最优值: 1308.6954

实验结果表明：对于大多数基准函数，该算法在收敛速度和精度上优于其他算法。

三、参考文献

[1] Ji-Xiang Lv, Li-Jun Yan, Shu-Chuan Chu, et al. A new hybrid algorithm based on golden eagle optimizer and grey wolf optimizer for 3D path planning of multiple UAVs in power inspection[J]. Neural Computing and Applications, 2022, 34: 11911-11936.