【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题

目录

    • 1.摘要
    • 2.哈里斯鹰算法HHO原理
    • 3.改进策略
    • 4.结果展示
    • 5.参考文献
    • 6.代码获取


【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第1张图片

1.摘要

哈里斯鹰优化(HHO)是一种基于种群的元启发式优化算法,已被广泛应用于各种测试函数和实际问题。本文提出了一种改进的HHO算法,旨在通过简化算法结构并改进随机参数的确定方式,来提升算法性能。改进分为三个阶段:1.重新设计了确定随机参数的方法;2.更新了产生新解的策略;3.将决策机制从六步简化为四步。

2.哈里斯鹰算法HHO原理

【智能算法】哈里斯鹰算法(HHO)原理及实现

3.改进策略

探索阶段

探索阶段执行HHO算法的全局搜索过程,全局搜索的性能直接影响优化算法的效率。在本文提出了一个新的探索模型,以增强HHO算法的全局搜索能力:
X ( t + 1 ) = { X r a n d ( t ) − L e v y ∣ X m ( t ) − X ( t ) ∣ q ≥ 0.5 X m ( t ) − L e v y ( X r a b b i t ( t ) − X ( t ) ) q < 0.5 X_{(t+1)}= \begin{cases} X_{rand}\left(t\right)-Levy\left|X_{m}\left(t\right)-X\left(t\right)\right| & q\geq0.5 \\ X_{m}\left(t\right)-Levy\left(X_{rabbit}\left(t\right)-X\left(t\right)\right) & q<0.5 & \end{cases} X(t+1)={Xrand(t)LevyXm(t)X(t)Xm(t)Levy(Xrabbit(t)X(t))q0.5q<0.5

开发阶段

在HHO算法的开发阶段,通过四个不同方程对鹰的行为进行模拟。当概率值 r r r大于或等于0.5时,将根据参数 E E E的绝对值选择执行软围攻或硬围攻:若 ∣ E ∣ |E| E大于或等于0.5,执行软围攻;若 ∣ E ∣ |E| E小于0.5,则执行硬围攻。 E E E参数是决定鹰行为的核心因素。在本研究中, E E E参数被视为决定鹰主导行为的关键参数。考虑到这一点,本文通过结合软围攻和硬围攻的策略,将相应的过程建模为:
X ( t + 1 ) = Δ X ( t ) − E ∣ J X r a b b i t ( t ) − X ( t ) ∣ − ( 1 − E ) ∣ Δ X ( t ) ∣ X_{(t+1)}=\Delta X_{(t)}-E\left|JX_{rabbit}\left(t\right)-X_{(t)}\right|-(1-E)\left|\Delta X_{(t)}\right| X(t+1)=ΔX(t)E JXrabbit(t)X(t) (1E) ΔX(t)

在HHO算法中,当概率值 r r r小于0.5时,会根据 E E E参数的绝对值执行渐进快速俯冲配合软围攻或硬围攻。如果 ∣ E ∣ |E| E大于或等于0.5,则同时进行渐进快速俯冲和软围攻;如果 ∣ E ∣ |E| E小于0.5,则进行渐进快速俯冲和硬围攻。这种分层的行为模式表明, E E E参数在确定哈里斯鹰的攻击策略中扮演着核心角色。为了更精确地模拟这些行为,本研究将两种围攻策略结合:
Y = X r a b b i t ( t ) − E ∗ L F ∣ J X r a b b i t ( t ) − X ( t ) ∣ Z = X r a b b i t ( t ) − ( 1 − E ) ∗ L F ∣ J X r a b b i t ( t ) − X m ( t ) ∣ X ( t + 1 ) = { Y i f F ( Y ) < F ( X ( t ) ) a n d F ( Y ) < F ( Z ) Z i f F ( Z ) < F ( X ( t ) ) a n d F ( Z ) ≤ F ( Y ) \begin{aligned} \mathrm{Y} & =X_{rabbit}\left(t\right)-E*LF\left|JX_{rabbit}\left(t\right)-X\left(t\right)\right| \\ \mathrm{Z} & =X_{rabbit}\left(t\right)-\left(1-E\right)*LF\left|JX_{rabbit}\left(t\right)-X_{m}\left(t\right)\right| \\ X_{(t+1)} & = \begin{cases} Y & if & F\left(Y\right)YZX(t+1)=Xrabbit(t)ELFJXrabbit(t)X(t)=Xrabbit(t)(1E)LFJXrabbit(t)Xm(t)={YZififF(Y)<F(X(t))F(Z)<F(X(t))andandF(Y)<F(Z)F(Z)F(Y)

伪代码

【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第2张图片

4.结果展示

CEC2019

【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第3张图片

【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第4张图片
【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第5张图片
【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第6张图片
【论文复现】一种改进哈里斯鹰优化算法用于连续和离散优化问题_第7张图片

5.参考文献

[1] Gezici H, Livatyali H. An improved Harris Hawks Optimization algorithm for continuous and discrete optimization problems[J]. Engineering Applications of Artificial Intelligence, 2022, 113: 104952.

6.代码获取

你可能感兴趣的:(智能算法,智能算法改进,论文复现,算法,智能算法应用,论文复现)