文献类型：期刊文章

作　　者：贾鹤鸣[1] 刘庆鑫[2] 刘宇翔[3] 王爽[1] 吴迪[4]

JIA Heming;LIU Qingxin;LIU Yuxiang;WANG Shuang;WU Di(School of Information Engineering,Sanming University,Sanming 365004,China;School of Computer Science and Technology,Hainan University,Haikou 570228,China;College of Physics and Information Engineering,Fuzhou University,Fuzhou 350108,China;School of Education and Music,Sanming University,Sanming 365004,China)

机构地区：[1]三明学院信息工程学院,福建三明365004 [2]海南大学计算机科学与技术学院,海南海口570228 [3]福州大学物理与信息工程学院,福建福州350108 [4]三明学院教育与音乐学院,福建三明365004

出　　处：《智能系统学报》

基　　金：福建省自然科学基金面上项目(2021J011128);福建省本科高校教育教学改革研究项目(FBJG20210338);三明市科技计划引导性项目(2021-S-8);三明学院教育教学改革重点项目(J2010305);三明学院高教研究课题(SHE2013);福建省农业物联网应用重点实验室开放研究基金项目(ZD2101)。

年　　份：2023

卷　　号：18

期　　号：1

起止页码：104-116

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。

关 键 词：阿奎拉鹰优化算法  哈里斯鹰优化算法  动态反向学习  混合优化  基准函数 管柱设计问题  汽车碰撞设计问题  Wilcoxon秩和检验  

分 类 号：TP301.6]