一种混合改进的鹰栖息优化算法

胡洁，王盛洁，张涛

长江大学信息与数学学院，湖北 荆州 434023

群智能算法是一种群体迭代搜索算法，具有多样性、鲁棒性和自组织性，已广泛应用于路径规划[1]、时间序列预测[2]、图像处理[3]等领域。经典的群智能算法有蚁群算法(ant colony optimization,ACD)[4]和粒子群(particle swarm optimization，PSO)算法[5]，近年来为了解决更为复杂的优化问题，相关学者提出了探路者算法(path finder algorithm，PFA)[6]、樽海鞘群算法(salp swarm algorithm，SSA)[7]、鹰栖息优化(eagle perching optimization，EPO)算法[8]等新型群智能算法。这些群智能算法也存在收敛速度慢、易陷入局部最优的缺陷，对此相关学者已经做出了一些改进，如自适应调优、混合算法等[9]。自适应调优是指在算法迭代过程中，根据所得数据特征自动调整算法参数。王倩和李风军[10]针对自适应遗传算法对较优个体作用不大的情况，引入四分位数间距IQR，自适应调整交叉和变异概率，从而使算法更好的摆脱局部收敛；CHEN等[11]在鲸鱼优化算法中采用双自适应权重策略，将惯性权重表示为局部最优度的非线性函数，以此改进算法的全局搜索和局部搜索能力；LI等[12]提出一种增强的自适应差分进化算法，根据适应度为每个个体匹配交叉率并排序，更好地维持了种群多样性。混合算法则是充分利用2种或多种算法的优势优化单一算法的性能。NGUYEN-VAN等[13]将差分进化和共生有机体搜索相结合，用于多频率约束下的桁架结构尺寸和形状优化；ALWATEER等[14]使用鲸鱼优化算法作为特征选择技术最小化特征数量，并用Naïve贝叶斯分类器实时分类，这一方法能够在较少的时间内处理庞大的医疗数据，且数据准确率更高；……