多策略融合改进的哈里斯鹰优化算法

摘要

针对哈里斯鹰优化算法在迭代过程中易过度依赖当前最优个体，从而陷入局部最优解的问题，提出一种增强全局探索和平衡局部开发的多策略融合改进算法.首先，采用K-means增强混沌映射生成更均匀的初始种群；其次，利用改进的正弦函数对收敛因子进行非线性调节，增强前期的探索能力并加快后期的收敛速度；在探索阶段融合粒子群差分机制的位置更新策略，增强个体间的信息交互能力；同时，引入透镜反向学习策略提高解的多样性，并结合高斯平滑技术增强寻优性能与收敛稳定性.通过9个标准测试函数和路径规划问题的仿真实验，将所提算法与4种经典算法及2种改进哈里斯鹰算法进行对比分析.结果表明，改进算法在收敛速度、寻优精度和稳定性方面均优于其他算法.在路径规划问题中，寻优稳定性提升幅度超过50%,验证了所提算法的优越性.

关键词

哈里斯鹰优化 / 混沌序列 / 差分机制 / 透镜反向学习 / 高斯平滑技术