[发明专利]一种基于多策略增强的哈里斯老鹰算法的工程优化方法

说明书

本发明公开了一种基于多策略增强的哈里斯老鹰算法的工程优化方法，包括以下步骤:步骤S1、实际工程问题的优化目标函数构建；步骤S2、参数初始化；步骤S3、初始化哈里斯鹰的种群位置；根据目标函数来计算初始化种群中每个哈里斯鹰的适应度值；步骤S5、通过动态的模拟猎物的运动状态和种群的执行状态，从而为每一个哈里斯鹰找到最好的执行策略；步骤S6、探索阶段；步骤S7、开发阶段；步骤S8、通过步骤S5和S6可以对整个种群的位置进行更新，更新后的新种群，通过目标函数和约束条件；步骤S9、判读是否达到最大的迭代次数；本发明具有以下优点和效果：能在实际的工程优化问题中找到更优的解，在有限的时间内提高含约束的工程优化问题的解的精度。

技术领域

本发明涉及一种基于多策略增强的哈里斯老鹰算法的工程优化方法。

背景技术

群体智能算法是一种模拟自然界不同生物群体的社会行为和捕食行为的非确定性优化算法，和确定性的最优算法不同，群体智能算法求得问题的近似解。但是相比确定性算法来说，群体智能算法不需要优化问题的数学信息，同时在处理大规模优化问题的时候，相比于确定性算法，可以很快的得到最优解的近似解，为现实问题提供可能的解决方案。随着现实问题越来越复杂以及人们对求解时间的要求越来越高，在现有硬件性能的背景下，群智能优化算法受到越来越高的关注。对于复杂的高维的优化问题，群智能算法可以在合理的时间范围内求得可接受的解，同时不需要太多优化问题的数学性质，可以广泛的应用到各种的现实问题中，经典的群智能优化算法有：粒子群优化算法；蚁群算法；灰鲸优化算法；灰狼优化算法；人工蜂群算法等。

哈里斯鹰优化算法(HHO)是Ali Asghar Heidari等人在2019年提出的新型群体智能优化算法。该算法对哈里斯鹰合作捕猎的不同过程进行数学建模。首先把捕食的猎物假设成最优解，哈里斯鹰群代表候选解。所以基于此设定，该算法中哈里斯鹰群(候选解)对猎物(最优解)进行围剿，围剿的过程主要分为两个阶段：第一个阶段是搜寻猎物(探索)阶段；第二个阶段是捕食猎物(开发)阶段。在搜寻猎物阶段，哈里斯鹰群会分别在猎物的周围或者是其他哈里斯鹰的周围进行随机的搜索，以期望能找到新的猎物。在捕食猎物阶段，哈里斯鹰群根据猎物四种不同的状态，采取四种不同的策略来对猎物进行围捕。哈里斯鹰优化算法(HHO)不需要额外的调节参数，具有调节参数少的特点，同时不需要优化问题的梯度数学信息，具有广泛的适用性。该算法自提出后也受到了很多关注，成功的应用在很多实际问题之中。

但是哈里斯鹰优化算法(HHO)在处理含有复杂的且拥有大量局部最优解的优化问题的时候，很容易陷入局部最优，算法的探索能力有待加强，同时容易收敛速度过慢。针对哈里斯鹰优化算法(HHO)收敛速度过慢和容易陷入局部最优这两个缺陷，我们提出两种不同的策略来加强原始的哈里斯鹰优化算法(HHO)。首先为了加强算法的探索能力，我们融合对数螺旋和反向学习这两种机制提出了一种混合的探索机制，被称为反向对数螺旋。该探索机制的基本原理是通过反向学习技术学习得到当前最优解的反向解，然后在当前最优解和当前最优解的反向解之间构建对数螺旋更新空间。根据概率学原理可知，当前解和当前解的反向解各有50％的概率接近于最优解。所以我们利用当前最优解和当前最优解的反向解之间的对数螺旋区域，一方面可以加强探索区域的差异性保持种群的多样性，同时也可以快速定位到可能有最优解的区域，相比于原始哈里斯鹰优化算法(HHO)只在当前最优解和其他候选解周围进行随机探索，反向对数螺旋机制很大程度上提高了原算法的探索能力；其次为了加强算法跳出局部最优的能力，我们在算法的开发阶段通过动态的方式引入Rosenbrock直接搜索算法。Rosenbrock直接搜索算法是Rosenbrock在1960年提出的一种求解无约束问题的方法，同时不需要导数信息，具有自适应搜索方向和大小。作为一种本地搜索算法，有着强大的局部开发能力。通过相应的修改Rosenbrock直接搜索算法和原始哈里斯鹰优化算法(HHO)进行结合，从而加强原算法的开发能力。