改进哈里斯鹰算法的仓储机器人路径规划研究

为提高静态环境下仓储移动机器人路径规划效率,解决传统哈里斯鹰(Harris Hawks optimization, HHO)算法在路径规划中存在收敛速度慢且易陷入局部最优的问题,提出了一种基于Tent混沌映射融合柯西反学习变异的哈里斯鹰优化算法(HHO algorithmbasedon Tentchaotic mapping hybrid Cauchy mutation and inverse learning, TCLHHO)。通过Tent混沌映射增加种群多样性,以提高算法的收敛速度;提出指数型的猎物逃逸能量更新策略,以平衡算法的全局搜索和局部开发能力;通过柯西反学习变异策略对最优个体进行扰动,扩大算法的搜索范围,增强全局搜索能力。根据真实仓储环境搭建二维栅格环境模型,并在Matlab中进行仿真对比实验。结果表明:该算法的规划速度、最优路径长度以及最优路径转折次数较对比算法具有较好的效果,验证了应用于智能仓储环境下改进的HHO路径规划问题的可行性和鲁棒性。

基于改进哈里斯鹰优化算法的动态路径规划研究

针对传统栅格地图下的路径规划算法存在多峰值优化、无法实时避障等问题,提出了一种基于改进哈里斯鹰优化算法的动态路径规划方法。首先,提出方形邻格邻近扩散方法初始化哈里斯鹰种群位置,在路径规划问题模型下增加种群多样性;然后,提出一种非线性能量因子优化算法在搜索和开发之间的更新比例,提高全局搜索性能;最后,引入动态窗口法提高机器人实际运行路径的平滑程度,构造结合全局路径的动态窗口评价函数以改善动态窗口法前瞻性不足的问题。实验结果表明,所提方法可以兼顾实时避障和路径最优的需求。

基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化(Harris hawks optimization,HHO)算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化(improvement Harris hawks optimization,IHHO)算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。

融合聚类算法与改进哈里斯鹰算法的建筑机器人任务分配方法

建筑机器人技术处于起步阶段,针对建筑机器人多机任务分配问题的相关研究严重不足。因此,对该问题进行分析,将其转化为多旅行商问题进行数学建模,并提出了融合改进哈里斯鹰算法与聚类算法的建筑机器人多机任务分配方法进行求解。首先根据建造任务的空间特征和建筑机器人数量利用聚类算法进行任务聚类;针对哈里斯鹰算法参数敏感与易陷入局部最优的缺点进行基于Logistic混沌映射的改进形成改进哈里斯鹰算法,根据建筑机器人的移动方式构造目标函数并在聚类的基础上进行优化求解,最终确定每个建筑机器人的任务集合与任务执行顺序。为验证该方法的有效性,利用随机生成的3*15、5*40、8*70共3组不同规模的建筑机器人*建造任务数据集进行仿真模拟,并将该方法与未融合聚类算法的GA和IHHO任务分配效果进行对比分析。结果表明,聚类能够有效解决建筑机器人任务分配问题,能够有效降低任务集合之间的空间叠加、增强优化算法的迭代收敛性能;基于Logistic混沌映射改进的算法在迭代开始与收敛时的适应度值更佳;随着问题规模的增大,融合改进哈里斯鹰与聚类算法的建筑机器人任务分配方法效果更显著,说明其更适用于解决大规模复杂的实际问题。

基于正余弦的非线性哈里斯鹰优化算法

针对哈里斯鹰优化算法(HHO)收敛精度低、易陷入局部最优等问题,提出了一种基于正余弦的非线性哈里斯鹰优化算法(SCNHHO)。首先,采用佳点集策略对种群进行初始化,使种群分布更均匀,提高算法收敛速度和精度;其次,在探索阶段引入正余弦策略,利用正余弦函数的震荡特性扩大搜索范围,寻求更多潜在的优质解;最后,在开发阶段引入非线性参数来平衡探索与开发,避免算法陷入局部最优。针对不同维度的基准测试函数进行性能测试,结合Wilcoxon秩和检验与Friedman检验的结果,将该算法与其他5个对比算法进行分析。结果表明,改进算法性能较原始HHO算法有较大提升,并且优于斑马优化算法(ZOA)、鲸鱼优化算法(WOA)和2种哈里斯鹰算法的变体(MHHO和IHHO),验证了改进策略的有效性。最后通过三杆桁架设计问题进一步验证了SCNHHO的实用性。

多策略集成的哈里斯鹰算法求解全局优化问题

为提高哈里斯鹰算法优化问题的性能,提出一种融合佳点集、非线性能量逃逸因子和Logistic-Cubic级联混沌扰动的多策略哈里斯鹰优化算法(Improve Harris Hawk Optimization,IHHO)。首先,引入佳点集策略代替随机初始种群,均匀初始种群分布性。其次,根据算法各个阶段不同特征提出一种非线性能量逃逸因子,平衡全局和局部勘探能力。最后,引入Logistic-Cubic级联混沌对搜索位置扰动,避免算法陷入局部最优。利用IHHO算法求解23个函数及三桁架工程设计问题,并利用目标收敛曲线、Wilcoxon秩和检验进行测试,结果表明,IHHO算法相比对比算法具有更强寻优性能、求解稳定性,在求解全局优化问题上具有一定竞争性。

一种混合策略改进的哈里斯鹰算法及应用

针对标准的哈里斯鹰优化算法收敛精度不高,易陷入局部最优等缺点,提出一种混合策略改进的哈里斯鹰优化算法DMHHO。利用非线性周期递减的逃逸能量因子来平衡算法的全局探索和局部开发能力;引入多项式变异策略,对全局最优个体进行扰动,增强算法跳出局部极值的能力;采用变种差分策略,对个体的位置进行变异,增加算法的种群多样性,提升了算法的全局寻优能力。通过12个测试函数对DMHHO算法进行寻优测试,并与其他优化算法对比,实验结果表明改进的哈里斯鹰优化算法的收敛速度和寻优精度都得到了提升。将改进的哈里斯鹰优化算法用在工程优化问题中,进一步验证了DMHHO算法在实际应用中可行性。

正余弦动态干扰哈里斯鹰算法的PCNN参数优化图像融合

哈里斯鹰优化算法存在前期全局开发种群分布不广泛、后期局部开发易陷入收敛精度不够的缺陷,因此提出一种正余弦动态干扰的哈里斯鹰优化算法。首先,在前期的全局开发阶段,对两种不同的进化策略分别采用余弦函数和正弦函数进行鹰群群体分布干扰,从而扩大群体分布范围,强化鹰群初期全局探索阶段的广度,为后期进行局部开发提供更好的条件;然后,在局部开发阶段,通过对猎物逃逸能量公式进行曲线化调整,使得猎物能量损耗与自然界中的真实能量损失更加匹配,进而提升开发阶段的捕获能力;最后,将改进的正余弦动态干扰的哈里斯鹰优化算法对脉冲耦合神经网络(PCNN)的链接输入、时间衰减系数、链接强度3个参数进行优化,并应用于可见光与ToF置信图的图像融合。采用6种对比算法及24个测试函数对改进后的算法进行仿真实验验证,证明了基于正余弦动态干扰的哈里斯鹰优化算法具有较好的寻优能力和更高的收敛精度。通过与其他融合算法进行对比实验,验证了改进后的融合算法相比原始算法的融合效果有显著提升。

递进式融合多策略的改进哈里斯鹰优化算法

针对哈里斯鹰优化算法(HHO)易陷入局部最优、全局探索性能与局部开发能力不平衡等缺点,提出递进式融合多策略的改进哈里斯鹰优化算法(IHHO).首先,调整随机游走机制的位置更新方程以实现小范围优质勘探,提升该机制有效性,加强算法局部开发能力;其次,采用S型自适应能量控制因子,使算法能根据搜索进程合理调控捕猎行为,修正寻优模型;最后,融入定点重组与诱变策略,既保证种群优良基因集中于某一个体,又丰富种群多样性,算法局部寻优性能和局部极值规避能力并进增强.实验表明,所提改进方法以递进式提升算法性能,经耦合叠加效应后所得IHHO的搜索精度高、收敛速度快,并且具有较强实用性.

基于改进型哈里斯鹰算法的云制造服务组合优化方法研究

云制造环境下,云平台以制造服务组合的形式为个性化需求提供按需服务,可显著提升订单响应速度与提高资源利用率。采用哈里斯鹰算法构建制造服务组合,针对制造服务间物流转运问题,建立独特的编码与解码机制。为解决该算法存在早熟收敛问题,引入Logistic一维混沌系统,设计非线性逃逸能量更新机制和3种邻域搜索策略。通过实验验证了改进后的哈里斯鹰算法在解决云制造服务组合优化问题时具有显著优越性。

应用多策略融合改进哈里斯鹰算法的移动 机器人路径规划方法

针对移动机器人在多障碍物室内环境中进行路径规划时存在的折点多、收敛速度慢、易陷入局部最优解等问题,提出一种基于多策略融合改进哈里斯鹰算法的移动机器人路径规划方法。首先,利用Tent混沌映射初始化和自适应正余弦算法,改善初始种群分布多样性并增强全局搜索能力;其次,使用模拟退火能量策略改善哈里斯鹰算法的行为选择,加强算法收敛速度;然后,使用柯西函数和改进莱维飞行优化算法位置更新行为,提升算法的寻优性能和效率;最后,使用消融实验和对比实验对移动机器人在不同复杂程度的地图场景中的路径规划性能进行验证。实验结果表明:多策略融合改进哈里斯鹰算法在移动机器人路径规划问题中,不仅可以有效减少折点数获得较好的路径平滑度,还可达到更快的收敛速度和更短的移动路径。

融合改进哈里斯鹰和改进动态窗口的机器人动态路径规划

针对动态环境的移动机器人路径规划问题,提出了一种改进哈里斯鹰算法(IHHO)与改进动态窗口算法(IDWA)的融合算法(IHHO-IDWA)。首先,针对哈里斯鹰算法后期搜索性能不足等问题,提出了融合自适应混沌和核心种群动态划分策略、融合黄金正弦策略以及动态云最优解扰动策略来提高算法的性能。其次,针对动态窗口算法存在规划的路径长和易陷入死锁等问题,提出了三个改进策略:增加子函数,保证算法能够规划出更短的路径;提出自适应权重策略,平衡算法局部避障能力和全局搜索性能;设定初始航向角,避免路径冗余。最后,通过测试函数、CEC2014函数的数值实验和静态、动态路径规划实验,验证了IHHO和IDWA性能有明显提升;通过50×50大型动态地图验证了融合算法较对照组算法规划的路径缩短了11.51%,证明了该方法的优越性。

一种基于疯狂自适应的哈里斯鹰优化算法

针对哈里斯鹰优化算法在求解精度和收敛速度的缺陷,本文提出了一种利用疯狂自适应的哈里斯鹰优化算法。引入Tent混沌序列生成初始种群,丰富初始个体的种类特性;将疯狂算子添加到猎物源上,以获得多元丰富的种群;在猎物处获得新的公式代进自适应惯性权重中,增强并平衡研究过程中关于搜索的问题,包括了全局搜索以及局部搜索。使用统计分析、收敛速度分析、经典基准函数评估改进哈里斯鹰优化算法的效率。结果表明:改进算法具有更好的全局搜索能力和求解鲁棒性,同时寻优精度和收敛速度也比原始算法有所增强。在求解高维和多峰测试函数上,改进算法拥有更好的性能,适合推广至实际的优化问题中。

基于哈里斯鹰优化算法的光伏储能容量配置优化

在双碳目标下,高比例的光伏等新能源接入对电网造成了冲击。针对此问题,从电站侧出发,基于最低的光伏功率平均波动率和储能系统成本这两个优化目标,提出了一种基于哈里斯鹰优化算法的储能容量配置优化模型,通过聚类算法将天气类型分为四种并分别进行优化。结合算例分析,所提出的模型对储能配置问题在雨雪等较差的工况可将日均波动率从54.61%降低至13.60%,晴天等较好的工况日均波动率可下降约5%。通过双层优化,确定出最终储能配置方案为2.5 MW/4.59 MW·h,结合全年数据进行优化验证,此方案下全年平均波动率从19.41%下降至11.33%,全周期成本814.75万元。

基于改进哈里斯鹰和B-spline曲线的无人机路径规划研究

针对无人机在动态环境中的全局路径规划问题,提出了一种改进哈里斯鹰优化算法。针对算法后期搜索性能不足等问题,提出自适应混沌和核心种群动态划分策略,提高算法后期的搜索能力;修改哈里斯鹰更新公式,引入黄金正弦策略,提高算法搜索效率;融合自适应动态云最优解扰动策略,提高算法跳出局部极值的能力;针对三维栅格路径规划问题,设置了一种估值函数,通过计算栅格到达终点的代价,帮助算法进行节点筛选,使算法能搜索到更短路径,并针对路径转角不平滑的问题,使用3次B-spline曲线对路径转角进行处理,使路径更适合无人机飞行。通过国际标准测试函数和在不同大小、不同复杂程度的静态、动态栅格地图进行仿真实验。实验结果显示,本文算法相较于对比算法,规划出的路径平均缩短了14.94%、转角数量平均减少了53.31%。

基于改进哈里斯鹰优化粒子滤波的目标跟踪方法

针对传统粒子滤波中可能出现的重采样导致粒子贫化和多样性降低的问题,提出了一种基于交互式多模型的哈里斯鹰优化粒子滤波算法。首先,在粒子滤波中引入哈里斯鹰算法,通过将粒子表示为单个哈里斯鹰来模拟其捕猎过程。其次,利用狼群算法的狩猎机制改进哈里斯鹰的捕猎过程,特别是在全局搜索阶段策略中,使粒子主要聚集在目标高似然区域,同时合理选择性地保留一部分低似然区域的粒子。最后,设计了基于3种运动模型的交互式多模型算法,并将其与哈里斯鹰优化的粒子滤波融合。对不同噪声强度下的机动目标跟踪进行了仿真验证,结果表明,改进的算法能有效解决粒子贫化问题,并在机动目标跟踪中表现出更高的精度和稳定性,相较于其他算法表现更为出色。

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means,IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization,IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization,HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。

多策略融合的改进哈里斯鹰算法及其路径规划应用

针对哈里斯鹰算法(HHO)后期缺乏全局搜索、易陷入局部极值等问题,提出了一种多策略融合的改进哈里斯鹰算法(MFHHO).首先,提出了自适应混沌和核心种群划分策略,平衡算法后期的全局和局部搜索性能,提高算法的多样性;其次,修改位置更新公式,将莱维飞行替换为黄金正弦策略,提高算法寻优性能和效率;最后,融合自适应正态云最优解扰动策略,提高算法跳出局部最优解的能力.在国际测试函数、CEC2014复杂函数的数值实验中,改进算法性能提升明显;在路径规划实验中,改进算法性能最优,相较于对照组算法性能提升了14.75%,且具有较好的稳定性.

基于离散哈里斯鹰算法求解车辆路径问题

针对带容量约束车辆路径问题,提出一种离散哈里斯鹰算法。在哈里斯鹰算法的基础上,根据车辆路径的编解码特点,重新定义算法在全局搜索和局部开发阶段的更新策略;在全局搜索阶段利用随机插入和反转策略更新哈里斯鹰个体的位置,提高算法的全局开发能力;在局部开发阶段利用转移算子和移除算子设计哈里斯鹰个体的更新机制,提高算法的局部精细化搜索能力;通过改进逃逸能量平衡全局搜索和局部开发能力。实验结果表明,重定义的更新策略均能有效提升算法效率,将该算法和其它启发式算法的结果相比较,所提算法在求解精度和稳定性方面更具优势。

融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法

针对哈里斯鹰优化算法(Harris Hawks optimization,HHO)易早熟收敛、寻优精度低、收敛速度慢等问题,提出一种融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法(improved Harris Hawks optimization,IHHO)。首先,初始化阶段引入Circle混沌映射,提高初始化种群多样性和种群位置质量;其次,引入Sigmoid非线性收敛因子,平衡全局探索和局部开发能力;最后,针对HHO算法易陷入局部最优问题,提出变异准反射学习(quasi-reflection-based learning,QRBL)策略,提高种群活力,进一步提高算法局部收敛能力。仿真实验采用13个标准测试函数和1个经典工程问题对改进算法进行测试,结果表明改进算法收敛精度、收敛速度均有较大提高,适用于解决实际问题。