💥1 概述
CHHO使用混沌和非线性控制参数来提高HHO的优化性能。在所提出的方法中使用混沌地图的主要目的是改善HHO的探索行为。此外,本文还引入了一个非线性控制参数来调整HHO的探索性和剥削性行为。所提出的NCHHO算法使用各种混沌图展示了性能的改进,这些混沌图是为了识别最有效的混沌图,并在几个众所周知的基准函数上进行了测试。此外,这项工作还考虑解决车联网(IoV)优化问题,该问题展示了NCHHO在解决大规模现实问题方面的适用性。
参考文献:
Harris Hawks Optimizer (HHO) 是元启发式领域的众多最新算法之一。HHO算法模仿哈里斯鹰的合作行为及其在自然界中的觅食行为,称为惊喜突袭。HHO受益于少量的控制参数设置,实施的简单性以及高水平的勘探和开发。为了缓解该算法的缺点,该文提出一种基于非线性的混沌哈里斯鹰优化(NCHHO)的改进版本。NCHHO使用混沌和非线性控制参数来提高HHO的优化性能。在所提出的方法中使用混沌地图的主要目的是改善HHO的探索行为。此外,本文还引入了一个非线性控制参数来调整HHO的探索和开发行为。所提出的NCHHO算法使用各种混沌图展示了性能的改进,这些混沌图是为了识别最有效的混沌图,并在几个众所周知的基准函数上进行了测试。本文还考虑解决车联网(IoV)优化问题,该问题展示了NCHHO在解决大规模现实问题方面的适用性。结果表明,与其他算法相比,NCHHO算法非常具有竞争力,并且通常更胜一筹。特别是,NCHHO在求解问题维数为D = 30和50的单模态和多模态函数时,平均提供了92%更好的结果,而对于更高维的问题,我们提出的算法与其他算法相比,在D = 100和1000的情况下显示出100%一致的改进。在解决车联网问题时,成功率为62.5%,与最先进的算法相比,这要好得多。为此,本文提出的NCHHO算法展示了一种被不同应用广泛使用的有前途的方法,这为行业和企业解决日常遇到的优化问题带来了好处,例如资源分配,信息检索,寻找通过网络发送数据的最佳路径,路径规划以及许多其他应用。
📚2 运行结果
部分代码:
clc; clear all; close all; T=500; t=0; a1 = 2.5; teta = rand(); Escaping_Energy=zeros(1,500); Escaping_Energy1=zeros(1,500); for i=1:500 E1=2*(1-(t/T)); E0=2*rand()-1; %-1<E0<1 Escaping_Energy(i)=E1*(E0); t=t+1; end t1=0; for i=1:500 Cm = cos(a1.*acos(teta)); if Cm<=0 Cm=abs(Cm); end E1=2*(1-(t1/T)); E0=2*Cm()-1; %-1<E0<1 Escaping_Energy1(i)=E1*(E0); t1=t1+1; teta = Cm; end t2=0; for i=1:500 c1(i) = 1*exp(-(4*t2/T)^3); t2=t2+1; end t3=0; for i=1:500 r=rand(); a=2-t3*((2)/T); A(i)=2*a*r-a; t3=t3+1; end t4=0; for i=1:500 w(i)= 1-((t4/T)^1.5); t4=t4+1; end t5=0; for i=1:500 w1(i)=exp(-(4*t5/T)^2); t5=t5+1; end a1 = 2+rand(); teta = rand(); for ii=1:500 Cm(1,ii) = cos(a1.*acos(teta)); teta = Cm(1,ii); end figure; % plot(Escaping_Energy); % hold on; % plot(Escaping_Energy1,'r'); % hold on plot(w1,'k') hold on plot(w,'b') hold off
🌈3 Matlab代码实现
🎉4 参考文献
部分理论来源于网络,如有侵权请联系删除。
Dehkordi, Amin Abdollahi, et al. “Nonlinear-Based Chaotic Harris Hawks Optimizer: Algorithm and Internet of Vehicles Application.” Applied Soft Computing, Elsevier BV, June 2021, p. 107574, doi:10.1016/j.asoc.2021.107574.