混合策略改进的哈里斯鹰优化算法-附matlab代码

本文涉及的产品
传统型负载均衡 CLB,每月750个小时 15LCU
应用型负载均衡 ALB,每月750个小时 15LCU
网络型负载均衡 NLB,每月750个小时 15LCU
简介: 混合策略改进的哈里斯鹰优化算法-附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

针对原始哈里斯鹰优化算法(HHO)存在的收敛精度低,收敛速度慢,易陷入局部最优等不足,提出了一种基于混合策略的改进哈里斯鹰优化算法(HSHHO).首先,在种群初始化阶段引入Sobol序列,生成均匀分布的种群,提高种群的多样性,有利于提高算法的收敛速度;其次,引入limit阈值,令算法在一定迭代次数没有获得更优值后执行全局探索操作,提高算法跳出局部最优解的能力,改善HHO在迭代后期只执行开发阶段而易陷入局部最优的缺陷;最后,提出一种动态的反向学习机制,提高算法的收敛精度以及跳出局部最优的能力.在9个基准函数和6个CEC2017函数上进行测试,与其他多种优化算法,HHO变体作对比,验证所提出策略的有效性,并进行Wilcoxon符号秩检验,Friedman检验和Quade检验等非参数检验.实验结果表明, HSHHO在收敛速度,寻优精度和统计测试方面具有较为优秀的性能

⛄ 部分代码

function [lb,ub,dim,fobj] = Get_Functions_details(F)switch F    case 'F1'        fobj = @F1;        lb=-100;        ub=100;        dim=10;            case 'F2'        fobj = @F2;        lb=-10;        ub=10;        dim=10;            case 'F3'        fobj = @F3;        lb=-100;        ub=100;        dim=30;            case 'F4'        fobj = @F4;        lb=-10;        ub=10;        dim=30;            case 'F5'        fobj = @F5;        lb=-30;        ub=30;        dim=30;            case 'F6'        fobj = @F6;        lb=-100;        ub=100;        dim=30;            case 'F7'        fobj = @F7;        lb=-1.28;        ub=1.28;        dim=30;            case 'F8'        fobj = @F8;        lb=-10;        ub=10;        dim=10;            case 'F9'        fobj = @F9;        lb=-10;        ub=10;        dim=10;    case 'F10'        fobj = @F10;        lb=-1;        ub=1;        dim=30;            case 'F11'        fobj = @F11;        lb=-100;        ub=100;        dim=30;            case 'F12'        fobj = @F12;        lb=-10;        ub=10;        dim=10;            case 'F13'        fobj = @F13;        lb=-500;        ub=500;        dim=30;            case 'F14'        fobj = @F14;        lb=-5.12;        ub=5.12;        dim=10;            case 'F15'        fobj = @F15;        lb=-32;        ub=32;        dim=10;            case 'F16'        fobj = @F16;        lb=-600;        ub=600;        dim=10;            case 'F17'        fobj = @F17;        lb=-50;        ub=50;        dim=30;            case 'F18'        fobj = @F18;        lb=-50;        ub=50;        dim=30;            case 'F19'        fobj = @F19;        lb=-500;        ub=500;        dim=30;            case 'F20'        fobj = @F20;        lb=-5;        ub=5;        dim=4;                 case 'F21'        fobj = @F21;        lb=-5.12;        ub=5.12;        dim=2;                case 'F22'        fobj = @F22;        lb=-10;        ub=10;        dim=2;                      case 'F23'        fobj = @F23;        lb=-100;        ub=100;        dim=2;             case 'F24'        fobj = @F24;        lb=-65.536;        ub=65.536;        dim=2;            case 'F25'        fobj = @F25;        lb=-5;        ub=5;        dim=4;            case 'F26'        fobj = @F26;        lb=-5;        ub=5;        dim=2;            case 'F27'        fobj = @F27;        lb=[-5,0];        ub=[10,15];        dim=2;            case 'F28'        fobj = @F28;        lb=-2;        ub=2;        dim=2;            case 'F29'        fobj = @F29;        lb=0;        ub=1;        dim=3;            case 'F30'        fobj = @F30;        lb=0;        ub=1;        dim=6;                 case 'F31'        fobj = @F31;        lb=0;        ub=10;        dim=4;                case 'F32'        fobj = @F32;        lb=0;        ub=10;        dim=4;                case 'F33'        fobj = @F33;        lb=0;        ub=10;        dim=4;                   case 'F34'        fobj = @F34;        lb=-100;        ub=100;        dim=2;            case 'F35'        fobj = @F35;        lb=-4;        ub=5;        dim=30;endend% F1function o = F1(x)o=sum(x.^2);end% F2function o = F2(x)o=sum(abs(x))+prod(abs(x));% o = ((sin(sqrt(sum(x.^2))))^2-0.5)/(1+0.001*sum(x.^2))+0.5;end% F3function o = F3(x)dim=size(x,2);o=0;for i=1:dim    o=o+sum(x(1:i))^2;endend% F4function o = F4(x)o=max(abs(x));end% F5function o = F5(x)dim=size(x,2);o=sum(100*(x(2:dim)-(x(1:dim-1).^2)).^2+(x(1:dim-1)-1).^2);end% F6function o = F6(x)o=sum(abs((x+.5)).^2);end% F7function o = F7(x)dim=size(x,2);o=sum([1:dim].*(x.^4))+rand;end% F8function o = F8(x)dim = size(x, 2);o = sum([1:dim].*(x.^2));end% F9function o = F9(x)o=sum(abs(x.*sin(x)+0.1*x));end% F10function o = F10(x)dim = size(x, 2);o = 0;for i = 1:dim    o = o+abs(x(i))^(i+1);endend% F11function o = F11(x)dim=size(x,2);o = 0;for i = 1:dim    o = o+(10^6)^((i-1)/(dim-1))*x(i)^2;endend% F12function o = F12(x)dim = size(x, 2);p = 0; o = sum(x.^2);for i = 1:dim    p = p+0.5*i*x(i);endo = o+p^2+p^4;end% F13function o = F13(x)o=sum(-x.*sin(sqrt(abs(x))));end% F14function o = F14(x)dim=size(x,2);o=sum(x.^2-10*cos(2*pi.*x))+10*dim;end% F15function o = F15(x)dim=size(x,2);o=-20*exp(-.2*sqrt(sum(x.^2)/dim))-exp(sum(cos(2*pi.*x))/dim)+20+exp(1);end% F16function o = F16(x)dim=size(x,2);o=sum(x.^2)/4000-prod(cos(x./sqrt([1:dim])))+1;end% F17function o = F17(x)dim=size(x,2);o=(pi/dim)*(10*((sin(pi*(1+(x(1)+1)/4)))^2)+sum((((x(1:dim-1)+1)./4).^2).*...(1+10.*((sin(pi.*(1+(x(2:dim)+1)./4)))).^2))+((x(dim)+1)/4)^2)+sum(Ufun(x,10,100,4));end% F18function o = F18(x)dim=size(x,2);o=.1*((sin(3*pi*x(1)))^2+sum((x(1:dim-1)-1).^2.*(1+(sin(3.*pi.*x(2:dim))).^2))+...((x(dim)-1)^2)*(1+(sin(2*pi*x(dim)))^2))+sum(Ufun(x,5,100,4));end% F19function o = F19(x)o = 418.9829*size(x, 2)-sum(x.*sin(sqrt(abs(x))));end% F20function o = F20(x)aK=[.1957 .1947 .1735 .16 .0844 .0627 .0456 .0342 .0323 .0235 .0246];bK=[.25 .5 1 2 4 6 8 10 12 14 16];bK=1./bK;o=sum((aK-((x(1).*(bK.^2+x(2).*bK))./(bK.^2+x(3).*bK+x(4)))).^2);end% F21function o = F21(x)o = -(1+cos(12*sqrt(x(1)^2+x(2)^2)))/(0.5*(x(1)^2+x(2)^2)+2);end% F22function o = F22(x)o = 0.26*(x(1)^2+x(2)^2)-0.48*x(1)*x(2);end% F23function o = F23(x)o = 0.5+((sin(sqrt(x(1)^2+x(2)^2))^2)-0.5)/(1+0.001*(x(1)^2+x(2)^2)^2);end% F24function o = F24(x)aS=[-32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32;,...-32 -32 -32 -32 -32 -16 -16 -16 -16 -16 0 0 0 0 0 16 16 16 16 16 32 32 32 32 32];for j=1:25    bS(j)=sum((x'-aS(:,j)).^6);endo=(1/500+sum(1./([1:25]+bS))).^(-1);end% F25function o = F25(x)aK=[.1957 .1947 .1735 .16 .0844 .0627 .0456 .0342 .0323 .0235 .0246];bK=[.25 .5 1 2 4 6 8 10 12 14 16];bK=1./bK;o=sum((aK-((x(1).*(bK.^2+x(2).*bK))./(bK.^2+x(3).*bK+x(4)))).^2);end% F26function o = F26(x)o=4*(x(1)^2)-2.1*(x(1)^4)+(x(1)^6)/3+x(1)*x(2)-4*(x(2)^2)+4*(x(2)^4);end% F27function o = F27(x)o=(x(2)-(x(1)^2)*5.1/(4*(pi^2))+5/pi*x(1)-6)^2+10*(1-1/(8*pi))*cos(x(1))+10;end% F28function o = F28(x)o=(1+(x(1)+x(2)+1)^2*(19-14*x(1)+3*(x(1)^2)-14*x(2)+6*x(1)*x(2)+3*x(2)^2))*...    (30+(2*x(1)-3*x(2))^2*(18-32*x(1)+12*(x(1)^2)+48*x(2)-36*x(1)*x(2)+27*(x(2)^2)));end% F29function o = F29(x)aH=[3 10 30;.1 10 35;3 10 30;.1 10 35];cH=[1 1.2 3 3.2];pH=[.3689 .117 .2673;.4699 .4387 .747;.1091 .8732 .5547;.03815 .5743 .8828];o=0;for i=1:4    o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));endend% F30function o = F30(x)aH=[10 3 17 3.5 1.7 8;.05 10 17 .1 8 14;3 3.5 1.7 10 17 8;17 8 .05 10 .1 14];cH=[1 1.2 3 3.2];pH=[.1312 .1696 .5569 .0124 .8283 .5886;.2329 .4135 .8307 .3736 .1004 .9991;....2348 .1415 .3522 .2883 .3047 .6650;.4047 .8828 .8732 .5743 .1091 .0381];o=0;for i=1:4    o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));endend% F31function o = F31(x)aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];o=0;for i=1:5    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);endend% F32function o = F32(x)aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];o=0;for i=1:7    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);endend% F33function o = F33(x)aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];o=0;for i=1:10    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);endend% F34function o = F34(x)o = x(1)^2+2*x(2)^2-0.3*cos(3*pi*x(1))-0.4*cos(4*pi*x(2))+0.7;end% F35function o = F35(x)o = 0;for i = 1:floor(size(x, 2)/4)    o = o+(x(4*i-3)+10*x(4*i-2))^2+5*(x(4*i-1)-x(4*i))^2+(x(4*i-2)-2*x(4*i-1))^4+10*(x(4*i-3)-x(4*i))^4;endendfunction o=Ufun(x,a,k,m)o=k.*((x-a).^m).*(x>a)+k.*((-x-a).^m).*(x<(-a));end

⛄ 运行结果

⛄ 参考文献

[1]张海林,陈泯融.基于混合策略的改进哈里斯鹰优化算法[J].计算机系统应用, 2023, 32(1):166-178.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1.卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
2.图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
3.旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划
4.无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
5.传感器部署优化、通信协议优化、路由优化、目标定位
6.信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号
7.生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化
8.微电网优化、无功优化、配电网重构、储能配置
9.元胞自动机交通流 人群疏散 病毒扩散 晶体生长


相关文章
|
13天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化TCN-LSTM时间卷积神经网络时间序列预测算法matlab仿真
本内容展示了一种基于粒子群优化(PSO)与时间卷积神经网络(TCN)的时间序列预测方法。通过 MATLAB2022a 实现,完整程序运行无水印,核心代码附详细中文注释及操作视频。算法利用 PSO 优化 TCN 的超参数(如卷积核大小、层数等),提升非线性时间序列预测性能。TCN 结构包含因果卷积层与残差连接,结合 LSTM 构建混合模型,经多次迭代选择最优超参数,最终实现更准确可靠的预测效果,适用于金融、气象等领域。
|
9天前
|
算法
基于PSO粒子群优化的多无人机路径规划matlab仿真,对比WOA优化算法
本程序基于粒子群优化(PSO)算法实现多无人机路径规划,并与鲸鱼优化算法(WOA)进行对比。使用MATLAB2022A运行,通过四个无人机的仿真,评估两种算法在能耗、复杂度、路径规划效果及收敛曲线等指标上的表现。算法原理源于1995年提出的群体智能优化,模拟鸟群觅食行为,在搜索空间中寻找最优解。环境建模采用栅格或几何法,考虑避障、速度限制等因素,将约束条件融入适应度函数。程序包含初始化粒子群、更新速度与位置、计算适应度值、迭代优化等步骤,最终输出最优路径。
|
19天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化TCN时间卷积神经网络时间序列预测算法matlab仿真
本内容介绍了一种基于PSO(粒子群优化)改进TCN(时间卷积神经网络)的时间序列预测方法。使用Matlab2022a运行,完整程序无水印,附带核心代码中文注释及操作视频。TCN通过因果卷积层与残差连接处理序列数据,PSO优化其卷积核权重等参数以降低预测误差。算法中,粒子根据个体与全局最优位置更新速度和位置,逐步逼近最佳参数组合,提升预测性能。
|
9天前
|
存储 供应链 数据安全/隐私保护
基于GA遗传优化的风光储微电网削峰填谷能量管理系统matlab仿真
本课题基于MATLAB2022a开发,利用遗传算法(GA)优化风光储微电网的削峰填谷能量管理。系统通过优化风力发电、光伏发电及储能系统的充放电策略,实现电力供需平衡,降低运行成本,提高稳定性与经济效益。仿真结果无水印展示,核心程序涵盖染色体编码、适应度计算、选择、交叉、变异等遗传操作,最终输出优化后的功率分配方案。削峰填谷技术可减少电网压力,提升可再生能源利用率,延长储能设备寿命,为微电网经济高效运行提供支持。
|
9天前
|
机器学习/深度学习 数据采集 并行计算
基于WOA鲸鱼优化的TCN时间卷积神经网络时间序列预测算法matlab仿真
本内容介绍了一种基于TCN(Temporal Convolutional Network)与WOA(Whale Optimization Algorithm)的时间序列预测算法。TCN通过扩张卷积捕捉时间序列长距离依赖关系,结合批归一化和激活函数提取特征;WOA用于优化TCN网络参数,提高预测精度。算法流程包括数据归一化、种群初始化、适应度计算及参数更新等步骤。程序基于Matlab2022a/2024b开发,完整版含详细中文注释与操作视频,运行效果无水印展示。适用于函数优化、机器学习调参及工程设计等领域复杂任务。
|
9天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于遗传优化GRNN和Hog特征提取的交通标志识别算法matlab仿真
本内容展示了一种基于遗传算法(GA)优化的广义回归神经网络(GRNN)与HOG特征提取的交通标志识别算法。通过算法运行效果预览,对比了GRNN与GA-GRNN在不同测试中的表现,并提供无水印完整程序运行结果。开发环境为Matlab 2022a,核心代码附有详细中文注释及操作视频。 理论部分涵盖HOG特征提取、GRNN模型原理及遗传算法优化GRNN平滑因子的关键技术。HOG通过梯度方向直方图描述目标形状,具有旋转不变性和光照鲁棒性;GRNN实现非线性回归,结合遗传算法优化参数以提升性能。此方法在精度、效率和鲁棒性间取得良好平衡,适用于实时车载系统,未来可探索HOG与CNN特征融合以应对复杂场景。
|
9天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化TCN-GRU时间卷积神经网络时间序列预测算法matlab仿真
本内容涵盖基于粒子群优化(PSO)与时间卷积神经网络(TCN)的时间序列预测算法。完整程序运行效果无水印,适用于Matlab2022a版本。核心代码配有详细中文注释及操作视频。理论部分阐述了传统方法(如ARIMA)在非线性预测中的局限性,以及TCN结合PSO优化超参数的优势。模型由因果卷积层和残差连接组成,通过迭代训练与评估选择最优超参数,最终实现高精度预测,广泛应用于金融、气象等领域。
|
10月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
415 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
10月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
238 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
10月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
396 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码