一种混合改进的鹰栖息优化算法

作者：胡洁; 王盛洁; 张涛

来源：长江大学学报(自然科学版), 2022, 19(04): 111-118.

DOI：10.16772/j.cnki.1673-1409.20220302.001

• EPO算法
• PSO算法
• 混合优化
• 自适应

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。

• 单位
  数学学院