1.算法原理
2.改进点
ICMIC混沌映射
{ z n + 1 = sin ( α π z n ) , α ∈ ( 0 , 1 ) − 1 ≤ z n ≤ 1 , z n ≠ 0 x i = x l b + ( x u b − x l b ) 1 + z i 2 (1) \begin{cases}z_{n+1}=\sin\biggl(\frac{\alpha\pi}{z_n}\biggr),\alpha&\in\bigl(0,1\bigr)\\-1\leq z_n\leq1,z_n\neq0\end{cases}\\x_{i}=x_{lb}+\bigl(x_{ub}-x_{lb}\bigr)\frac{1+z_{i}}{2}\tag{1} ⎩ ⎨ ⎧zn+1=sin(znαπ),α−1≤zn≤1,zn=0∈(0,1)xi=xlb+(xub−xlb)21+zi(1)
精英反向学习策略
通过当前可行解构造其反向解，利用二次插值产生精英反向学习的种群个体，并用适应度评估更新全局最优解，增强算法局部开发能力:
X ‾ i = k ( L + U ) − X i (2) \overline{X}_i=k\left(L+U\right)-X_i\tag{2} Xi=k(L+U)−Xi(2)
收敛因子调整策略
采用收敛因子调整策略，利用指数函数作为基数通过影响开发阶段的控制因子，从而提高算法的精度:
E = 2 E 0 ( 2 ( 1 − e 1 − t T ) ) (3) E=2E_0\left(2\left(1-e^{1-\frac tT}\right)\right)\tag{3} E=2E0(2(1−e1−Tt))(3)
融合黄金正弦策略
黄金正弦算法(Gold-SA)是Tanyildizi等于2017 年提出的一种新型元启发式优化算法，其灵感来源于正弦函数单位圆内扫描类似于待优化问题解的空间搜索，并通过黄金分割率缩小搜索空间以逼近算法最优解。其中黄金分割系数使搜索个体能够以固定的步长更新距离和方向，并不断缩小要探索的空间，以便个体能在目标位置的区域中进行搜索，从而提高算法的局部开发能力:
X t ( t + 1 ) = { X ( t ) × ∣ sin ( R 1 ) ∣ + R 2 sin ( R 1 ) × ∣ X 1 X cabbit ( t ) − X 2 X ( t ) ∣ q ≥ 0.5 [ X cabbit ( t ) − X m ( t ) ] − r 3 ( L B + r 4 ( U B − L B ) ) q < 0.5 (4) \left.X_t\left(t+1\right)=\left\{\begin{aligned}X\left(t\right)&\times\left|\sin\left(R_{_1}\right)\right|+R_{_2}\sin\left(R_{_1}\right)\times\left|X_{_1}X_{_\textit{cabbit}}\left(t\right)-X_{_2}X\left(t\right)\right|&q\geq0.5\\&\left[X_{_\textit{cabbit}}\left(t\right)-X_{_m}\left(t\right)\right]-r_{_3}\left(LB+r_{_4}\left(UB-LB\right)\right)&q<0.5\end{aligned}\right.\right.\tag{4} Xt(t+1)={X(t)×∣sin(R1)∣+R2sin(R1)×∣X1Xcabbit(t)−X2X(t)∣[Xcabbit(t)−Xm(t)]−r3(LB+r4(UB−LB))q≥0.5q<0.5(4)
3.结果展示
CEC2005测试
路径规划问题
4.参考文献
[1] 白宇鑫,陈振亚,石瑞涛,等.基于改进哈里斯鹰算法的机器人路径规划研究[J/OL].系统仿真学报,1-11[2024-06-09].
