胡洁;王盛洁;张涛

长江大学信息与数学学院

EPO算法;PSO算法;混合优化;自适应;

鹰栖息优化（eagle perching optimization,EPO）算法模拟了鹰在大自然中栖息的生物特性,在全局范围内随机采样,利用目标函数找到采样点中的最优解,之后将搜索范围缩小,在这个最优解附近进行二次采样,迭代这一过程,执行全局搜索到局部搜索的转变。该算法原理简单、易于实现,是一种收敛速度较快的新型群智能算法,但在解决高维问题时算法收敛精度低、易陷入局部最优。基于自适应调优和混合算法的思路,提出了一种混合改进的鹰栖息优化（hybrid improved eagle perching optimization,HIEPO）算法:一方面引入成功率作为反馈参数自适应调整算法的收缩变量,改变了原有定值和线性递减设置,更好地实现全局搜索和局部搜索之间的转变;另一方面,结合粒子群（particle swarm optimization,PSO）算法收敛速度快,全局搜索能力强的优点,将引入成功率的EPO算法与PSO算法串行,提高收敛精度且避免了局部最优。单峰函数（f₁～f₄）、多峰函数（f₅～f₈）和定维多峰函数(f₉～f₁₂)这12个标准测试函数求解得到的平均值、标准差以及拉伸/压缩弹簧设计和压力容器设计2个工程约束优化问题的求解结果表明,改进后的HIEPO算法在收敛精度和避免局部最优方面均有一定优势。