基于方形邻域和随机数组的哈里斯鹰优化算法.pdf

【哈里斯鹰优化算法（Harris Hawk Optimization Algorithm, HHO）】 哈里斯鹰优化算法是一种生物启发式的全局优化算法，灵感来源于鹰科动物，特别是哈里斯鹰的捕猎行为。这种算法模仿了鹰的捕食策略，包括追逐、俯冲和盘旋等动作，以寻找解决问题的最优解。HHO在解决复杂优化问题时展现出良好的探索性和开发性，但同时也存在探索与开发能力失衡的问题，这可能导致算法陷入局部最优。 【基于方形邻域和随机数组的改进】 为了解决HHO的平衡问题，研究者提出了一种新的多子群结构，即方形邻域拓扑结构。这一结构允许每个子群内的个体在纵横两个方向上进行随机觅食，增加了算法的探索范围。方形邻域的概念借鉴自细胞自动机，通过这种方式，算法能够更有效地探索解决方案空间的多样性和复杂性。 此外，为了防止陷入局部最优并促进不同子群间的信息交流，研究中引入了固定置换概率。这意味着子群中的个体有一定概率与随机数组中的其他子群对应个体进行交换，增强了种群多样性，有助于跳出局部最优。 【历史进化信息和算子选择】 在子群内部，算法依据历史进化信息进行HHO操作的选择。这意味着算法能够根据过去的经验调整其搜索策略，更加灵活地利用问题领域中的信息，从而提高优化效率和寻优能力。 【对比与评估】 为了验证改进算法的有效性，研究人员使用了一系列可变维度的基准函数，对比了原版HHO和其他智能优化算法及其改进版本。结果显示，改进后的HHO在收敛精度和寻优能力上显著优于原始算法和其他文献中的方法，并表现出良好的鲁棒性，适用于实际优化问题。 【关键词】 哈里斯鹰优化算法：该算法是优化问题求解的核心，其优化策略受到哈里斯鹰捕食行为的启发。 多子群结构：这是一种组织算法种群的方式，旨在增强算法的全局探索性能。 方形邻域：算法中的一个重要概念，用于指导个体在解决方案空间的探索。 随机数组：用于实现跨子群信息交换的工具，增加了算法的随机性和多样性。 跨种群信息交换：子群间的交换机制，有助于打破局部最优和提高全局搜索能力。 全局最优：优化算法的目标，找到问题的最佳解决方案。 总结来说，这篇论文提出的改进哈里斯鹰优化算法通过方形邻域和随机数组的结合，成功地提升了算法的探索性能和全局优化能力，对于实际优化问题的解决提供了更高效和稳健的策略。这种方法对于未来优化算法的研究和应用具有重要的参考价值。