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.

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。