二进制哈里斯鹰优化及其特征选择算法

针对哈里斯鹰优化(Harris Hawk Optimization, HHO)算法在探索阶段仅使用随机策略初始种群，致使种群多样性下降，控制开发和探索过程中的线性变化的逃逸能量，在迭代后期易陷入局部最优等问题，提出了二进制HHO及其元启发式特征选择算法。首先，在探索阶段引入Sine映射函数，初始化哈里斯鹰种群位置，运用自适应调整算子来改变HHO搜索范围，并更新HHO的种群位置。其次，利用对数惯性权重改进逃逸能量的更新公式，将迭代次数引入跳跃距离中，使用步长调整参数调整HHO的搜索距离，进而平衡探索与开发能力；在此基础上设计了改进的HHO算法，避免HHO算法陷入局部最优。然后，引入S型和V型传递函数，更新改进的HHO算法的二进制位置和种群位置，设计了两种二进制的改进HHO算法。最后，使用适应度函数评估特征子集，并将二进制改进HHO算法与适应度函数相结合，提出了两种基于二进制的改进HHO元启发式特征选择算法。在10个基准函数和17个公共数据集上的实验结果表明，4种优化策略在10个基准函数上有效提升了HHO算法的优化性能，改进的HHO算法明显优于对比的其他优化算法；在12个UCI数据集和5个...     

混沌精英哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法存在的收敛精度低、收敛速度慢、易于陷入局部最优的不足,提出了一种混沌精英哈里斯鹰优化（CEHHO）算法。首先,引入精英等级制度策略,以充分利用优势种群来增强种群多样性以及提升算法收敛速度和精度;其次,利用Tent混沌映射调整算法关键参数;然后,使用一种非线性能量因子调节策略来平衡算法的开发与探索;最后,使用高斯随机游走策略对最优个体施加扰动,并在算法停滞时,利用随机游走策略使算法有效跳出局部最优。通过对20个基准测试函数在不同维度下进行仿真实验,来评估算法的寻优能力。实验结果表明,改进算法的表现优于鲸鱼优化算法（WOA）、灰狼优化（GWO）算法、粒子群优化（PSO）算法和生物地理优化（BBO）算法,性能较原始HHO算法有明显提升,验证了改进算法的有效性。     

多策略协同优化的改进HHO算法

为进一步提升哈里斯鹰优化算法（HHO）的收敛精度和迭代速度,提出一种多策略协同优化的改进HHO算法（MSHHO）。首先采用拉丁超立方抽样方法初始化种群,加强个体在解空间区域的均匀化分布程度;其次引入融合莱维飞行的自适应阿基米德螺旋机制于局部搜索阶段,完善算法开采机制并有效增强个体邻域的搜索严密性,提高算法收敛精度;最后鉴于算法在迭代后期易于陷入局部极值情形,采取柯西变异和反向学习的混合变异策略交替扰动最优个体以助其快速逃离局部极值区,加快算法迭代速度。通过对基准测试函数的求解对比分析、Wilcoxon秩和检验和CEC2014复杂函数对比分析,证实了改进算法优异的寻优性能和稳健的鲁棒性。     

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法(Harris hawks optimization,HHO)易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法(elite opposition-based learning golden-sine Harris hawks optimizat...     

基于混合策略的改进哈里斯鹰优化算法

针对原始哈里斯鹰优化算法(HHO)存在的收敛精度低、收敛速度慢、易陷入局部最优等不足, 提出了一种基于混合策略的改进哈里斯鹰优化算法(HSHHO). 首先, 在种群初始化阶段引入Sobol序列, 生成均匀分布的种群, 提高种群的多样性, 有利于提高算法的收敛速度; 其次, 引入limit阈值, 令算法在一定迭代次数没有获得更优值后执行全局探索操作, 提高算法跳出局部最优解的能力, 改善HHO在迭代后期只执行开发阶段而易陷入局部最优的缺陷; 最后, 提出一种动态的反向学习机制, 提高算法的收敛精度以及跳出局部最优的能力. 在9个基准函数和6个CEC2017函数上进行测试, 与其他多种优化算法、HHO变体作对比, 验证所提出策略的有效性, 并进行Wilcoxon符号秩检验、Friedman检验和Quade检验等非参数检验. 实验结果表明, HSHHO在收敛速度、寻优精度和统计测试方面具有较为优秀的性能. 最后, 还应用到焊接梁设计优化问题, 结果表明改进的算法对于带约束的实际工程优化问题也具有更好的效果.     

基于布朗运动与梯度信息的交替优化算法

针对群智能优化算法在优化过程中容易陷入局部最优、种群多样性低以及高维函数优化困难的问题,提出一种基于布朗运动与梯度信息的交替优化算法（AOABG）。首先,采用全局、局部搜索交替的寻优策略,即在有变优趋势的范围内切换为局部搜索,有变劣趋势的范围内切换为全局搜索;然后,局部搜索引入基于梯度信息的均匀分布概率的随机游走,全局搜索引入基于最优解位置的布朗运动的随机游走。将所提出的AOABG与近三年的哈里斯鹰优化算法（HHO）、麻雀搜索算法（SSA）、特种部队算法（SFA）在10个测试函数上对比。当测试函数维数为2、10时,AOABG在10个测试函数上的100次最终优化结果的均值与均方差均优于HHO、SSA与SFA。当测试函数为30维时,除了HHO在Levy函数上的表现优于AOABG（两者优化结果均值处于同一数量级）外,AOABG在其他9个测试函数上表现最好,与上述算法相比,优化结果均值提升了4.64%~94.89%。实验结果表明,AOABG在高维函数优化中收敛速度更快、稳定性更好、精度更高。     

混合哈里斯鹰算法求解作业车间调度问题

针对哈里斯鹰算法（HHO）求解作业车间调度问题（JSP）时存在寻优能力差、易陷入局部最优等缺点提出了混合哈里斯鹰算法（HHHO）。首先,在种群初始化阶段引入混沌理论增加种群多样性;其次,在HHO搜索前期采用能量非线性递减和量子计算增强算法全局探索能力,在搜索后期采用邻域搜索算法增强算法局部开发能力;最后,选取了FT和LA系列算例测试了算法的性能,并与其他先进元启发式算法对比,验证了HHHO在求解JSP时的有效性和优越性。     

融合能量周期性递减与牛顿局部增强的改进HHO算法

为增强栗翅鹰优化算法的全局探索能力和局部开采性能,提出一种融合能量周期性递减机制与牛顿局部增强策略的改进栗翅鹰优化算法(improved harris hawks optimization, IHHO).该算法在传统HHO算法基础上,启发于自然界中鹰与猎物间的多轮围捕-逃逸现象且猎物能量整体上呈现递减态势,进而设计一种猎物能量的周期性递减调控因子并嵌入能量函数中,该机制有利于实现IHHO算法全局探索与局部搜索间的多轮动态迭代平衡.牛顿局部增强策略借鉴牛顿迭代思想构造一种猎物邻域(当前最优解)的局部再搜索,并依概率实现IHHO算法的局部寻优性能改善.数值实验验证了不同能量周期数和局部搜索次数对HHO算法性能的差异性影响、优越的并行迭代寻优性能以及高收敛精度、高维情形(100D~10 000D)的较好适用性.     

基于多种群与协同量子化的哈里斯鹰优化算法

哈里斯鹰优化算法(Harris Hawks optimization,HHO)存在探索能力和开发能力平衡性不足等问题,导致算法收敛速度较慢,寻优精度较低,容易陷入局部最优.针对这些问题,引入多种群策略解决初始化种群单一的问题,提出基于多种群的多能量策略模拟两只体能不同的猎物的逃跑过程,使两个种群向不同的方向进化,以提高探索阶段与开发阶段的搜索能力.此外,协同量子化策略的加入在迭代前期可避免算法陷入局部极值,在迭代后期可提高算法的寻优精度.最后,通过对测试函数的优化结果进行分析可以得出,与其他一些经典或最新的算法相比,改进后的算法可大大提高最优解的收敛速度和寻优精度,同时具有更强的跳出局部最优的能力.     

混合策略改进的哈里斯鹰优化算法及其应用

针对哈里斯鹰优化算法收敛精度低、易陷入局部最优空间等局限性,提出一种混合策略改进的哈里斯鹰优化算法。采用精英混沌反向学习策略初始化种群,增加初始种群多样性和精英个体数量,提高算法收敛性能;利用引入动态自适应权重的逃逸能量非线性递减策略替代哈里斯鹰算法的线性递减机制,提高算法全局探索和局部开发行为的平衡能力;采用拉普拉斯交叉算子策略生成适应度更高的新个体,提高算法抗停滞能力。对10个测试函数进行求解,结果表明改进算法的收敛精度、寻优性能及鲁棒性明显高于对比算法。通过对比改进前后算法的种群分布均匀性和收敛能力,验证了改进策略的有效性。利用改进算法优化长短时记忆网络参数,并应用于瓦斯涌出量预测,实验结果进一步验证改进算法的优越性和适用性。     

基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先,将正交试验设计（OED）应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。     

求解工程约束问题的新型智能优化算法及展望

为了研究新型智能优化算法的性能和应用前景,选择了近几年提出的6种仿生智能优化算法:哈里斯鹰优化(HHO)算法、平衡优化(EO)算法、海洋捕食者算法(MPA)、政治优化(PO)算法、黏液霉菌算法(SMA)和堆阵优化(HBO)算法,对其性能和在不同带约束的工程优化问题上的应用进行对比分析.首先,对6种优化算法的基本原理进行...     

多策略融合的改进萤火虫算法

针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题,把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中,提出了一种多策略融合的改进萤火虫算法——LEEFA。首先,在传统萤火虫算法的基础上引入莱维飞行,从而提升算法的全局搜索能力;其次,提出精英参与的交叉算子以提升算法的收敛速度和精度,并增强算法迭代过程中解的多样性和质量;最后,结合精英反向学习机制进行最优解的搜索,从而提高FA跳出局部最优的能力和收敛性能,并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性,在基准测试函数上进行了仿真实验,结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法,所提算法在收敛速度和精度上均表现得更为优异。     

动态调整搜索策略的果蝇优化算法

针对标准果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）收敛速度慢、容易陷入局部最优及寻优精度低等缺陷,提出了一种动态调整搜索策略的果蝇优化算法（Fruit Fly Optimization Algorithm with Dynamic Adjustment of Search Strategy,FOAASS）。利用混沌映射增强种群初始位置的均匀性和随机性;根据种群进化信息动态调整部分果蝇的搜索策略;通过转换概率随机选取搜索半径并对其进行动态调整;当算法陷入早熟时,改变搜索策略以跳出局部最优。仿真实验结果表明,提出的改进算法相比标准果蝇优化算法和部分改进算法,有较好的寻优精度和收敛速度。     

改进步长与策略的果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,提出了改进步长与策略的果蝇优化算法（CSSFOA）。在一定范围内随机选取历史最优值作为步长变化依据,动态改变果蝇群体的搜寻半径,有效权衡了算法的全局与局部搜索能力;为了避免陷入局部最优,在果蝇群体趋于稳定时选取一定数量的果蝇个体执行变异操作。仿真实验结果表明,提出的改进算法在收敛速度和寻优精度上较基本FOA及其几种改进算法有更好的寻优性能。     

求解旅行商问题的人工协同搜索算法

针对传统人工协同搜索（ACS）算法求解精度不高、收敛速度慢等问题,提出一种基于Sigmoid函数的反向人工协同搜索（SQACS）算法求解旅行商问题（TSP）。首先,利用Sigmoid函数构造比例因子,增强算法的全局搜索能力;其次,在变异阶段,加入差分进化（DE）算法的DE/rand/1变异策略,对当前种群进行二次变异,提高算法的计算精度和种群的多样性;最后,在算法后期的开发阶段,引入拟反向学习策略,进一步提高解的质量。对TSP测试库TSPLIB中的4个实例进行仿真实验,结果显示,SQACS算法在最短路径与花费时间上均优于麻雀搜索算法（SSA）、DE、阿基米德算法（AOA）等7种对比算法,并且具有良好的鲁棒性;与其他求解TSP的改进算法综合对比,SQACS算法也显示了良好的性能。实验结果表明,SQACS算法在求解小规模TSP时是有效的。     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

柯西变异和自适应权重优化的蝴蝶算法

针对基本蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）存在的收敛精度较低、容易陷入局部最优解的问题,提出柯西变异和自适应权重优化的蝴蝶算法（Cauchy variation and adaptive Weight Butterfly Optimization Algorithm,CWBOA）。通过在全局位置更新处引入柯西分布函数进行变异,在局部位置更新处引入自适应权重因子,改进了蝴蝶算法的局部搜索能力;并且引入动态切换概率[p]来权衡全局探索与局部开发过程的比重。改进的算法通过对多个单峰、多峰和固定测试维度的函数进行求解,结果表明,CWBOA对大多数测试函数有更好的求解精度、速度和稳定性。