基于准反射学习的哈里斯鹰优化算法
文章目录
- 一、理论基础
- 1、哈里斯鹰优化算法
- 2、改进哈里斯鹰优化算法
- (1)基于反向学习
- (2)基于准反向学习
- (3)基于准反射学习
- 二、仿真实验与分析
- 三、参考文献
一、理论基础
1、哈里斯鹰优化算法
请参考这里。
2、改进哈里斯鹰优化算法
(1)基于反向学习
Tizhoosh[1]首先提出了基于反向的学习(OBL)。其主要思想是生成可行解的反向解,评价反向解,选择更好的候选解。一般来说,相反的数比随机数更接近最优解。具体计算公式如下:
设 x i x_i xi为个体的可行解, x i o x_i^o xio为其反向解,则: x i o = lb i + ub i − x i (1) x_i^o=\text{lb}_i+\text{ub}_i-x_i\tag{1} xio=lbi+ubi−xi(1)其中, x i ∈ [ lb i , ub i ] ∀ i ∈ 1 , 2 , ⋯ , d x_i\in[\text{lb}_i,\text{ub}_i]\quad \forall i\in 1,2,\cdots,d xi∈[lbi,ubi]∀i∈1,2,⋯,d
(2)基于准反向学习
OBL的一种变体称为准反向学习(QOBL),由Rahnamayan[2]提出。以往的研究已经证明,在寻找全局最优解时,使用准反向解比反向解更有效。具体表达式如下图所示。
图1 准反向学习
(3)基于准反射学习
基于OBL和QOBL,Qian Fan等[3]提出了一种新的准反射学习机制QRBL。计算过程如下:
图2 准反射学习
分别将反向学习、准反向学习和准反射学习的机制应用于HHO算法的种群初始化和下一次迭代时确定种群位置上,分别命名为OHHO、QOHHO和QRHHO。
二、仿真实验与分析
将基于准反射学习的哈里斯鹰优化算法(QRHHO)分别与基本哈里斯鹰优化算法(HHO)、基于反向学习的哈里斯鹰优化算法(OHHO)、基于准反向学习的哈里斯鹰优化算法(QOHHO)进行对比,以文献[3]中的F1、F2(单峰函数100维)、F11、F12、F13(多峰函数100维)、F17(2维)、F18(2维)、F19(3维)、F20(6维) (固定维度多峰函数)为例。设置种群规模 N = 30 N=30 N=30,最大迭代次数 T = 500 T=500 T=500,每个算法独立运行30次。
结果显示如下:
函数:F1
HHO:最差值: 1.2731e-90,最优值:2.0717e-110,平均值:4.2454e-92,标准差:2.3243e-91
OHHO:最差值: 8.6188e-303,最优值:0,平均值:2.8792e-304,标准差:0
QOHHO:最差值: 0,最优值:0,平均值:0,标准差:0
QRHHO:最差值: 0,最优值:0,平均值:0,标准差:0
函数:F2
HHO:最差值: 3.4447e-45,最优值:1.2333e-60,平均值:1.1485e-46,标准差:6.289e-46
OHHO:最差值: 6.2491e-160,最优值:5.9471e-223,平均值:2.083e-161,标准差:1.141e-160
QOHHO:最差值: 7.4277e-257,最优值:1.1024e-274,平均值:2.542e-258,标准差:0
QRHHO:最差值: 0,最优值:0,平均值:0,标准差:0
函数:F11
HHO:最差值: 0,最优值:0,平均值:0,标准差:0
OHHO:最差值: 0,最优值:0,平均值:0,标准差:0
QOHHO:最差值: 0,最优值:0,平均值:0,标准差:0
QRHHO:最差值: 0,最优值:0,平均值:0,标准差:0
函数:F12
HHO:最差值: 2.9021e-05,最优值:8.4409e-09,平均值:5.1788e-06,标准差:7.5996e-06
OHHO:最差值: 1.4015e-05,最优值:1.8351e-08,平均值:2.5871e-06,标准差:3.3188e-06
QOHHO:最差值: 0.00013169,最优值:7.9736e-06,平均值:4.5659e-05,标准差:2.7718e-05
QRHHO:最差值: 5.4254e-06,最优值:1.5022e-09,平均值:9.6109e-07,标准差:1.4167e-06
函数:F13
HHO:最差值: 0.00034871,最优值:3.3944e-08,平均值:7.2888e-05,标准差:9.5426e-05
OHHO:最差值: 0.00103,最优值:1.7772e-06,平均值:0.00015569,标准差:0.00022537
QOHHO:最差值: 0.0051761,最优值:0.00075145,平均值:0.0022944,标准差:0.0012592
QRHHO:最差值: 0.00048312,最优值:2.4457e-09,平均值:7.5844e-05,标准差:0.0001282
函数:F17
HHO:最差值: 0.39789,最优值:0.39789,平均值:0.39789,标准差:3.1872e-07
OHHO:最差值: 0.39789,最优值:0.39789,平均值:0.39789,标准差:3.2152e-07
QOHHO:最差值: 0.39789,最优值:0.39789,平均值:0.39789,标准差:4.2038e-07
QRHHO:最差值: 0.39789,最优值:0.39789,平均值:0.39789,标准差:3.9804e-07
函数:F18
HHO:最差值: 30.0001,最优值:3,平均值:5.7,标准差:8.2385
OHHO:最差值: 30.0001,最优值:3,平均值:3.9,标准差:4.9295
QOHHO:最差值: 3,最优值:3,平均值:3,标准差:3.6623e-06
QRHHO:最差值: 30,最优值:3,平均值:3.9,标准差:4.9295
函数:F19
HHO:最差值: -3.0898,最优值:-3.8628,平均值:-3.8112,标准差:0.1961
OHHO:最差值: -3.8627,最优值:-3.8628,平均值:-3.8628,标准差:9.074e-06
QOHHO:最差值: -3.8627,最优值:-3.8628,平均值:-3.8628,标准差:9.6956e-06
QRHHO:最差值: -3.0898,最优值:-3.8628,平均值:-3.837,标准差:0.14113
函数:F20
HHO:最差值: -3.1729,最优值:-3.3219,平均值:-3.2843,标准差:0.058554
OHHO:最差值: -3.1912,最优值:-3.322,平均值:-3.2733,标准差:0.060452
QOHHO:最差值: -3.1642,最优值:-3.322,平均值:-3.2914,标准差:0.056491
QRHHO:最差值: -3.198,最优值:-3.322,平均值:-3.2978,标准差:0.048974
结果表明,QRHHO能有效地提高基本HHO和两种HHO变体的收敛速度和求解精度。
三、参考文献
[1] Tizhoosh, H. R. Opposition-Based Learning: A New Scheme for Machine Intelligence[C]. International Conference on International Conference on Computational Intelligence for Modelling, Control & Automation. IEEE, 2005: 695-701.
[2] Rahnamayan S, Tizhoosh H R, Salama M. Quasi-oppositional Differential Evolution[C]. 2007 IEEE Congress on Evolutionary Computation, IEEE, 2007: 2229-2236.
[3] Fan, Q., Chen, Z. & Xia, Z. A novel quasi-reflected Harris hawks optimization algorithm for global optimization problems[J]. Soft Computing, 2020, 24: 14825-14843.
基于准反射学习的哈里斯鹰优化算法相关推荐
- 基于混沌透镜成像学习的哈里斯鹰优化算法
文章目录 一.理论基础 1.哈里斯鹰优化算法 2.基于混沌透镜成像学习的哈里斯鹰优化算法 (1)Fuch无限折叠混沌策略 (2)黄金正弦策略 (3)融合透镜成像学习和柯西变异策略 二.仿真实验与结果分 ...
- 融合互利共生和透镜成像学习的哈里斯鹰优化算法-附代码
融合互利共生和透镜成像学习的HHO优化算法 文章目录 融合互利共生和透镜成像学习的HHO优化算法 1.哈里斯鹰优化算法 2.改进哈里斯鹰优化算法 2.1 Tent 混沌初始化种群 2.2 融合互利共生 ...
- 基于多策略改进的哈里斯鹰优化算法
文章目录 一.理论基础 1.哈里斯鹰优化算法 1.1 全局探索阶段 1.2 过渡阶段 1.3 局部开发阶段 1.3.1 软围攻 1.3.2 硬围攻 1.3.3 累速俯冲式软围攻 1.3.4 累速俯冲式 ...
- 哈里斯鹰优化算法学习笔记2
哈里斯鹰是一种著名的猛禽,其独特之处在于它与生活在同一稳定群体中的其他家庭成员一起进行独特的合作觅食活动,而其他猛禽通常独自攻击,发现和捕获猎物.哈里斯鹰捕捉猎物的主要策略是"突袭" ...
- 哈里斯鹰优化算法(HHO)附matlab code链接
哈里斯鹰优化算法 算法简介 算法的实现过程 1. 探索阶段 2.探索到开发的转换 3.开发阶段 3.1软围攻 3.2硬围攻 3.3渐进式快速俯冲的软包围 3.4渐进式快速俯冲的硬包围 算法示意图 群智 ...
- 混沌精英哈里斯鹰优化算法-附代码
混沌精英哈里斯鹰优化算法 文章目录 混沌精英哈里斯鹰优化算法 1.哈里斯鹰优化算法 2.混沌精英哈里斯鹰优化算法 2.1精英等级制度 2.2 Tent 混沌映射 2.3 非线性逃逸能量更新策略 2.4 ...
- 结合高斯变异和维数决策逻辑的哈里斯鹰优化算法
文章目录 一.理论基础 1.哈里斯鹰优化算法(HHO) 2.结合高斯变异和维数决策逻辑的哈里斯鹰优化算法(GCHHO) (1)高斯变异 (2)布谷鸟搜索中的维数决策逻辑 (3)提出的GCHHO 二.仿 ...
- Python实现哈里斯鹰优化算法(HHO)优化卷积神经网络分类模型(CNN分类算法)项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取. 1.项目背景 2019年Heidari等人提出哈里斯鹰优化算法(Harris ...
- Python实现哈里斯鹰优化算法(HHO)优化BP神经网络回归模型(BP神经网络回归算法)项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取. 1.项目背景 2019年Heidari等人提出哈里斯鹰优化算法(Harris ...
最新文章
- django 中 csrf问题 的解决方法
- Eclipse之文件【默认编码格式设置】,防止乱码等问题
- xcode10 自定义代码块
- day33 java的注解
- 作为程序员,我在电脑上都装过哪些 Chrome 插件?
- 面试必掌握的Mysql的11个问题
- CISSP重点知识总结1
- 思科网络技术学院教程:企业中的路由和交换技术简介第十章实验总结
- 华为HCSE培训教材
- 【WhatsApp营销】如何设置欢迎消息?WhatsAppBusiness问候语示例
- 计算机max函数怎么操作,excel中max函数怎么使用
- 三维重建——D2HC-RMVSNet网络详解
- Windows重定向技术【文件重定向与注册表重定向】
- JDBC通过Statement执行查询操作
- 习题:有100个学生种100棵树,其中高中生每人种3棵树,初中生每人种1棵树,小学生每3人种1棵树,问高中生、初中生、小学生各有多少人?
- 关于CAD图形文件转换成ArcGIS属性表
- vs2013 无法创建项目 终极解决方案
- Subversion
- lin-ui实现瀑布流的触底加载
- PLC串行通信程序怎么编写?