一种混合改进的鹰栖息优化算法

摘要：

鹰栖息优化(eagle perching optimization,EPO)算法模拟了鹰在大自然中栖息的生物特性,在全局范围内随机采样,利用 目标函数找到采样点中的最优解,之后将搜索范围缩小,在这个最优解附近进行二次采样,迭代这一过程,执行全局搜索到局部搜索的转变.该算法原理简单、易于实现,是一种收敛速度较快的新型群智能算法,但在解决高维问题时算法收敛精度低、易陷入局部最优.基于自适应调优和混合算法的思路,提出了一种混合改进的鹰栖息优化(hybrid improved eagle perching optimization,HIEPO)算法:一方面引入成功率作为反馈参数自适应调整算法的收缩变量,改变了原有定值和线性递减设置,更好地实现全局搜索和局部搜索之间的转变;另一方面,结合粒子群(particle swarm optimization,PSO)算法收敛速度快,全局搜索能力强的优点,将引入成功率的EPO算法与PSO算法串行,提高收敛精度且避免了局部最优.单峰函数(f1～f4)、多峰函数(f5～f8)和定维多峰函数(f9～f12)这12个标准测试函数求解得到的平均值、标准差以及拉伸/压缩弹簧设计和压力容器设计2个工程约束优化问题的求解结果表明,改进后的HIEPO算法在收敛精度和避免局部最优方面均有一定优势.

关键词：EPO算法、PSO算法、混合优化、自适应

所属期刊栏目：19

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金61673006

在线出版日期：2022-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：111-118