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。

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.

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。

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。

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。

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。

基于哈里斯鹰算法的采摘机械臂机构优化设计

【目的】优化调节农业采摘机械臂结构尺寸,降低机械臂功耗,提高采摘效率及续航能力。【方法】笔者从采摘机械臂实际设计需求出发,采用功耗指标、可操作性、速度最小值、运动传递准确度等多种尺度对机械臂进行综合评价,明确了以连杆二与连杆三的长度L_(2)、L_(3)为设计变量,形成了基于工作空间与工作条件的约束,搭建了采摘机械臂机构优化模型,并采用哈里斯鹰算法对农业采摘机械臂结构最优尺寸进行了求解。【结果】当L_(2)=0.656m,L_(3)=0.346m时,机械臂各项性能最优。【结论】哈里斯鹰算法具有原理简单、参数少、稳定性高、收敛速度快等特点,为目标函数无法求导的优化问题提供了一种方便可行的求解思路,可为机械臂后续的设计工作提供指导。

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。

基于哈里斯鹰算法的两级冷链配送路径优化

农产品供应链是农产品流通现代化的重要体现。随着生活水平的提高,人们对生鲜农产品的需求逐渐增加,农产品供应链冷链配送压力不断增大,农产品包装也随之造成严重的环境污染。文章基于对包装二次利用的考虑,以车辆固定成本、车辆运输成本及制冷成本最小为目标,构建考虑客户满意度的两级生鲜农产品冷链车辆路径优化数学模型,融合变邻域搜索机制的离散哈里斯鹰算法对该模型进行求解,使用迭代贪心算法和随机方法生成初始解,然后使用设计的搜索算子寻优。通过仿真实验对提出算法与其他算法和数字优化技术(CPLEX)进行对比,验证了文章提出的改进哈里斯算法可行性、高效性及稳定性,对城市限行下农产品冷链配送路径优化问题研究具有一定的意义。

基于自适应高斯变异的多目标哈里斯鹰优化算法

针对哈里斯鹰优化算法在求解多目标优化问题时种群多样性差导致算法容易陷入局部最优的问题,提出一种基于自适应高斯变异的多目标哈里斯鹰优化算法。为使解决方案更好地向Pareto前沿收缩,提出基于网格划分法的猎物位置定位方法;为提升算法收敛性能,将超出区间的种群个体位置更新为猎物位置;采用自适应高斯变异策略提高算法多样性和Pareto前沿种群粒子的均匀性。仿真结果表明:所提算法在求解多目标优化问题时,与多目标遗传算法(NSGA-Ⅱ)、多目标粒子群算法(MOPSO)、多目标灰狼算法(MOGWO)和多目标哈里斯鹰优化算法(MOHHO)比较,寻优精度增加了8.02%~51.34%,收敛速度增加了16.67%~40.74%,显著提升了所提算法的收敛速度和精度。

基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究

特征波段选择是近红外光谱分析的关键步骤之一,有效的特征波段选择能提高建模效率与模型性能。传统的特征波段选择算法存在运行时间长、选择特征冗余的缺陷,在实际工程应用中难以达到期望的效果。哈里斯鹰优化(HHO)算法具有原理简单、参数少的优点,但同时也存在收敛精度低且易陷入局部最优的不足。在HHO算法的基础上提出了一种基于改进哈里斯鹰优化(IHHO)算法的近红外光谱特征波段选择模型。针对HHO算法只能用于求解连续空间的优化问题,采用离散化策略对HHO算法进行修正,使其能求解离散形式的特征波段选择问题;考虑到HHO算法初始种群的质量差,使用混沌映射、反向学习提高初始种群的质量,以增强算法的全局探索能力;由于HHO算法在局部搜索时的收敛精度低,提出了新的猎物能量衰减模型与跳跃策略,以进一步增强算法在局部搜索时的寻优能力;为避免算法在寻优过程中落入局部最优,借鉴了遗传算法的变异方式对HHO算法进行扰动。使用竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)、粒子群优化(PSO)算法、遗传算法(GA)、 HHO算法与IHHO算法进行比较,并以4个定性分析近红外光谱数据集与2个定量分析近红外光谱数据集分别建立了支持向量机(SVM)识别模型和偏最小二乘回归(PLSR)模型。在定性分析实验中,IHHO算法得到的平均准确率相对于全波段时分别提高了0.83%、 9.55%、 17.65%以及0%,平均特征波段数仅占全波段的9.97%、 2.59%、 1.36%以及0.59%。在定量分析实验中,IHHO算法得到的平均决定系数分别较全波段提高了10.57%、 1.47%、 4.41%、 3.66%以及3.06%,平均均方根误差分别较全波段较低了0.162、 1.266 3、 1.868、 1.869 4以及0.408 4,平均特征波段数仅占全波段的9.24%、 10.53%、 6.54%、 6.91%以及7.14%。实验结果表明,IHHO算法在选择特征波段时能够去冗余,针对性选择最重要的特征波段,其性能均优于比较的几种算法。IHHO算法具有良好的应用前景。

基于精英引导的改进哈里斯鹰优化算法

针对哈里斯鹰优化算法(HHO)易陷入局部最优和收敛速度慢的问题,提出一种基于精英引导的改进哈里斯鹰优化算法(EHHO)。首先,引入精英反向学习,以精英中心为对称中心进行反向学习来优化种群结构,增强算法跳出局部最优的能力;其次,引入精英演化策略,以精英个体为主体进行基于高斯随机突变的演化来提升种群质量,加快算法收敛速度;最后,引入自适应机制,动态调整精英演化策略中2种演化方式的选择概率,以提升算法稳定性。为验证改进算法的有效性,选取15个基准函数进行仿真实验。实验结果表明,改进算法在寻优性能和鲁棒性上均有明显提升,在优化算法中具有一定竞争力。

基于改进哈里斯鹰优化算法的微电网优化调度

为了提高风电和光伏发电的利用率,降低微电网运行成本,以微电网总成本最小为目标函数,全面考虑发电、储能、售电、购电各类约束条件,建立微电网优化调度模型。利用佳点集映射和高斯-柯西变异扰动两种策略对哈里斯鹰优化算法进行改进,用于微电网优化调度模型的求解。仿真结果证实改进哈里斯鹰优化算法收敛速度显著提高,微电网经过优化调度后运行成本更低,风能、太阳能等可再生能源的利用率更高。

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。

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。

基于改进哈里斯鹰优化算法的TDOA定位

针对室内到达时差(TDOA)定位的非线性方程求解问题,提出一种改进的哈里斯鹰优化定位算法,在提升原算法性能的基础上保留其寻优机制。对基于最大似然估计的适应度函数进行改进,在优化过程中达到更优的适应度值,从而提高算法的寻优精度。同时在初始种群位置中引入初始解,以减少不必要的全局搜索,在不影响种群多样性的前提下提高算法的收敛速度。仿真结果表明,与DHHO/M、EWOA、IALOT和CSSA算法相比,该算法具有更高的定位精度和收敛速度。

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。

基于改进哈里斯鹰算法的分布式电源优化配置

为解决分布式电源接入配电网进行合理规划配置的问题,在建立以网络损耗、节点电压偏差、投资综合费用为多目标函数的基础上,采用层次分析法将考虑经济性与稳定性的多目标函数转换成单目标函数,并用改进哈里斯鹰算法寻找最优的配置方案。为进一步改善哈里斯鹰算法的寻优精度与收敛速度,引入Tent混沌提高初始化种群的均匀性;将鲸鱼算法的搜索围捕方式与哈里斯鹰算法结合,增加了算法的多样性并提高了寻优精度;引入t分布策略增强全局寻优能力和求解速度。通过算例验证了采用改进哈里斯鹰算法在求解分布式电源优化配置问题中的高效性和稳定性。

基于改进哈里斯鹰算法的梯级泵站优化调度

为了提高梯级泵站系统运行效率,节约工程运行成本,以梯级泵站运行效率最大化为目标,建立梯级泵站优化调度模型,提出基于改进哈里斯鹰算法(HUHHO)的梯级泵站优化调度方法.将饥饿率引入哈里斯鹰算法(HHO)以更好地实现探索与开发之间的平衡;在探索阶段添加1个偏移项以考虑哈里斯鹰饥饿感强弱对搜寻猎物能力的影响,提高算法的寻优能力、避免陷入局部最优.通过基准测试函数验证HUHHO寻优性能的优越性.将HUHHO应用于北京市某三级泵站优化调度中,对HUHHO求解梯级泵站优化调度问题的可行性与有效性进行验证.结果表明:相较于现状方案,基于HUHHO的优化方案可使梯级泵站运行效率提高0.11个百分点,年运行成本节约42 187元,优于利用粒子群优化算法(PSO)、遗传算法(GA)、HHO得到的运行效率及节约成本.