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(f_(1)~f_(4))、多峰函数(f_(5)~f_(8))和定维多峰函数(f_(9)~f_(12))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。