多项式变异和自适应权重优化的阿奎拉鹰算法

针对基本阿奎拉鹰算法存在收敛精度低、易陷入局部最优的问题,通过在全局搜索阶段引入多项式变异扰动策略,在局部开发阶段引入自适应权重优化策略,改进了阿奎拉鹰算法的局部探索能力,并且引入了Tent混沌映射初始化种群,增加种群多样性,引入动态转换概率策略来平衡全局探索和局部开发的比重,故提出多项式变异和自适应权重优化的阿奎拉鹰算法。采用基本阿奎拉鹰算法、哈里斯鹰算法、灰狼算法、鲸鱼算法、海鸥算法做对比,9个基准测试函数和2个工程优化问题对改进后的算法进行寻优性能验证,结果表明:改进后的算法在多数测试函数上取得较好的寻优效果,在工程优化问题中,效果优于多数对比算法。证明了改进后的算法具有更快的收敛速度和精度,并在工程应用中取得较好效果。

融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。

混合改进策略的阿奎拉鹰优化算法

针对阿奎拉鹰优化算法(Aquila optimizer,AO)收敛速度慢、易陷入局部最优且寻优精度较低等问题,提出混合改进策略的阿奎拉鹰优化算法(Aquila optimizer based on hybrid improved strategies,HH-SAO)。初始化阶段引入准反向学习策略,增强初始化种群多样性。引入正弦波随机策略,提高算法全局探索阶段随机性,提升算法全局寻优能力。利用哈里斯鹰算法(Harris hawks optimization,HHO)的4种攻击策略替换原AO算法的局部开发阶段策略,提高算法跳出局部极小值能力;引入能量缩减机制实现全局与局部阶段的动态转换,平衡算法全局探索和局部开发能力。仿真试验选取23个基准测试函数和1个经典工程设计问题进行性能测试,结果表明改进算法相较于其他流行算法具有更好的寻优能力和工程适用性。