算术优化与阿奎拉鹰优化的混合算法

一、理论基础

1、阿奎拉鹰优化算法

请参考这里。

2、算术优化算法

请参考这里。

3、AO与AOA的混合(AOAAO)

（1）改进逃逸能量参数

逃逸能量改进为：$$E=2E_0\left(1-\frac{t}{T}\right)+{\omega }_{\max }-({\omega }_{\max }-{\omega }_{\min })\frac{t}{T}{x}_n\text{\hspace{1em}(1)}$$其中，${\omega }_{\max }$和${\omega }_{\min }$的值分别为0.9和0.5；$x_n$为分段线性映射的函数值，计算如下：$$x_n=\{\begin{array}{l}\frac{x_{n-1}}{1-\lambda },0<x_{n-1}<1-\lambda \\ \frac{x_{n-1}-(1-\lambda )}{\lambda },1-\lambda \le x_{n-1}<1\end{array}\text{\hspace{1em}(2)}$$其中，$\lambda =0.6$。
改进的参数$E$将增加波动性，使更多的个体能够在迭代后期进行全局探索，如图1所示。

图1 HHO与AOAAO逃逸能量参数的迭代对比图

（2）AOAAO算法伪代码

AOAAO算法的伪代码如图2所示。

图2 AOAAO算法伪代码

二、仿真实验与结果分析

将AOAAO与AOA、AO、HHO、SSA、WOA和ChOA进行对比，以常用23个测试函数中的F3、F4(单峰函数/30维)、F9、F10(多峰函数/30维)、F17、F21(固定维度多峰函数/2维、4维)为例，实验设置种群规模为30，最大迭代次数为1000，每种算法独立运算30次，结果显示如下：

函数：F3
AOAAO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
AOA：最差值: 0.040744, 最优值: 5.8497e-196, 平均值: 0.0055613, 标准差: 0.010239, 秩和检验: 1.2118e-12
AO：最差值: 3.1518e-198, 最优值: 5.3515e-299, 平均值: 1.4979e-199, 标准差: 0, 秩和检验: 1.2118e-12
HHO：最差值: 8.6161e-143, 最优值: 3.1606e-185, 平均值: 2.872e-144, 标准差: 1.5731e-143, 秩和检验: 1.2118e-12
SSA：最差值: 823.9739, 最优值: 52.2683, 平均值: 318.5652, 标准差: 191.6395, 秩和检验: 1.2118e-12
WOA：最差值: 32430.1532, 最优值: 1519.1597, 平均值: 18481.2238, 标准差: 8210.5705, 秩和检验: 1.2118e-12
ChOA：最差值: 49.8386, 最优值: 2.8714e-05, 平均值: 4.2998, 标准差: 12.2934, 秩和检验: 1.2118e-12
函数：F4
AOAAO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
AOA：最差值: 0.051534, 最优值: 4.5635e-134, 平均值: 0.016517, 标准差: 0.020497, 秩和检验: 1.2118e-12
AO：最差值: 2.205e-100, 最优值: 5.016e-152, 平均值: 9.2045e-102, 标准差: 4.0368e-101, 秩和检验: 1.2118e-12
HHO：最差值: 7.1965e-92, 最优值: 3.87e-105, 平均值: 3.0809e-93, 标准差: 1.3456e-92, 秩和检验: 1.2118e-12
SSA：最差值: 17.527, 最优值: 2.079, 平均值: 8.1323, 标准差: 4.2167, 秩和检验: 1.2118e-12
WOA：最差值: 91.3573, 最优值: 0.0005521, 平均值: 38.7973, 标准差: 29.7929, 秩和检验: 1.2118e-12
ChOA：最差值: 0.0094412, 最优值: 4.3113e-05, 平均值: 0.0021634, 标准差: 0.0027022, 秩和检验: 1.2118e-12
函数：F9
AOAAO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
AOA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
AO：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
SSA：最差值: 114.4199, 最优值: 28.8538, 平均值: 63.6441, 标准差: 20.4582, 秩和检验: 1.2118e-12
WOA：最差值: 5.6843e-14, 最优值: 0, 平均值: 1.8948e-15, 标准差: 1.0378e-14, 秩和检验: 0.33371
ChOA：最差值: 20.1143, 最优值: 7.3896e-13, 平均值: 4.0857, 标准差: 4.7845, 秩和检验: 1.2118e-12
函数：F10
AOAAO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
AOA：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
AO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
HHO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
SSA：最差值: 3.4616, 最优值: 1.3404, 平均值: 2.4279, 标准差: 0.64679, 秩和检验: 1.2118e-12
WOA：最差值: 7.9936e-15, 最优值: 8.8818e-16, 平均值: 3.9672e-15, 标准差: 2.234e-15, 秩和检验: 9.1593e-09
ChOA：最差值: 19.9637, 最优值: 19.9595, 平均值: 19.9619, 标准差: 0.0012474, 秩和检验: 1.2118e-12
函数：F17
AOAAO：最差值: 0.50396, 最优值: 0.39805, 平均值: 0.40968, 标准差: 0.022752, 秩和检验: 1
AOA：最差值: 0.43221, 最优值: 0.39817, 平均值: 0.40516, 标准差: 0.0073994, 秩和检验: 0.19073
AO：最差值: 0.39791, 最优值: 0.39789, 平均值: 0.39789, 标准差: 4.2354e-06, 秩和检验: 3.0199e-11
HHO：最差值: 0.39789, 最优值: 0.39789, 平均值: 0.39789, 标准差: 2.5961e-07, 秩和检验: 3.018e-11
SSA：最差值: 0.39789, 最优值: 0.39789, 平均值: 0.39789, 标准差: 1.0271e-14, 秩和检验: 2.8502e-11
WOA：最差值: 0.39789, 最优值: 0.39789, 平均值: 0.39789, 标准差: 5.3285e-07, 秩和检验: 3.0199e-11
ChOA：最差值: 5.0401, 最优值: 0.39789, 平均值: 0.55319, 标准差: 0.84744, 秩和检验: 2.959e-05
函数：F21
AOAAO：最差值: -9.9616, 最优值: -10.1532, 平均值: -10.1361, 标准差: 0.036912, 秩和检验: 1
AOA：最差值: -1.7961, 最优值: -9.3387, 平均值: -4.044, 标准差: 1.8501, 秩和检验: 3.0199e-11
AO：最差值: -10.1506, 最优值: -10.1532, 平均值: -10.1526, 标准差: 0.00066524, 秩和检验: 4.3531e-05
HHO：最差值: -5.0551, 最优值: -10.1532, 平均值: -5.2251, 标准差: 0.93076, 秩和检验: 5.0723e-10
SSA：最差值: -2.6305, 最优值: -10.1532, 平均值: -7.9757, 标准差: 3.208, 秩和检验: 0.027086
WOA：最差值: -5.0551, 最优值: -10.153, 平均值: -9.1156, 标准差: 2.0662, 秩和检验: 0.8883
ChOA：最差值: -0.49729, 最优值: -5.0398, 平均值: -2.9173, 标准差: 2.125, 秩和检验: 3.0199e-11

实验结果表明：AOAAO算法具有更好的全局探索和局部开发能力，在求解精度和收敛速度方面优于其他比较算法。

三、参考文献

[1] Y. -J. Zhang, Y. -X. Yan, J. Zhao, et al. AOAAO: The Hybrid Algorithm of Arithmetic Optimization Algorithm With Aquila Optimizer[J]. IEEE Access, 2022, 10: 10907-10933.