【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
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)−Levy∣Xm(t)−X(t)∣Xm(t)−Levy(Xrabbit(t)−X(t))q≥0.5q<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)
−(1−E)
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)<F\left(X\left(t\right)\right) & and & F(Y)<F(Z) \\ Z & if & F\left(Z\right)<F\left(X\left(t\right)\right) & and & F(Z)\leq F(Y) & \end{cases} \end{aligned}
YZX(t+1)=Xrabbit(t)−E∗LF∣JXrabbit(t)−X(t)∣=Xrabbit(t)−(1−E)∗LF∣JXrabbit(t)−Xm(t)∣={YZififF(Y)<F(X(t))F(Z)<F(X(t))andandF(Y)<F(Z)F(Z)≤F(Y)
伪代码
4.结果展示
CEC2019
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.