• 【改进哈里鹰算法(NCHHO)】使用混沌和非线性控制参数来提高哈里鹰算法的优化性能，解决车联网相关的路由问题（Matlab代码实现）

     💥💥💞💞欢迎来到本博客❤️❤️💥💥

    🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

    ⛳️座右铭：行百里者，半于九十。

    📋📋📋本文目录如下：🎁🎁🎁

    目录

    💥1 概述

    📚2 运行结果

    🎉3 参考文献

    🌈4 Matlab代码及文献

    💥1 概述

    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 = 92和30的单模态和多模态函数时，平均提供了50%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100的情况下显示出1000%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。

    【改进哈里鹰算法(NCHHO)】是一种使用混沌和非线性控制参数来提高哈里鹰算法优化性能的方法，用于解决与车联网相关的路由问题。

    NCHHO方法通过引入混沌地图和非线性控制参数来改进HHO算法的性能。其中，混沌地图的应用旨在改善HHO算法的搜索行为，增强其对解空间的探索能力。此外，还引入了非线性控制参数来调节HHO算法的探索性和剥削性行为，使其具备更好的适应性和灵活性。

    在该研究中，NCHHO算法通过采用多个混沌地图，并在多个众所周知的基准函数上进行测试，展示了性能的改进。通过比较不同混沌地图的效果，研究者能够确定最有效的混沌地图，并对算法进行优化。此外，该方法还考虑了解决车联网（IoV）优化问题，展示了NCHHO在解决大规模现实问题上的适用性和有效性。

    这项研究为改进哈里鹰算法提供了一种新的方法，通过引入混沌和非线性控制参数，显著提高了算法的性能和适应性。通过在车联网路由问题中的应用，研究者们展示了NCHHO算法在实际场景下解决问题的能力。这对于提升车联网系统的路由效果和优化性能具有重要意义。

    📚2 运行结果

    部分代码：

    1. function [Rabbit_Energy,Rabbit_Location,CNVG] = NCHHO_IoV(N,T,lb,ub,dim,fobj)
    2.  
    3.  
    4. % initialize the location and Energy of the rabbit
    5. Rabbit_Location=zeros(1,dim);
    6. Rabbit_Energy=0;
    7.  
    8. %Initialize the locations of Harris' hawks
    9. X=initialization(N,dim,ub,lb);
    11. CNVG=zeros(1,T);
    13. t=0; % Loop counter
    15. while t
    16.     for i=1:size(X,1)
    17.         % Check boundries
    18.         FU=X(i,:)>ub;FL=X(i,:)
    19.         % fitness of locations
    20.         fitness=fobj(X(i,:));
    21.         % Update the location of Rabbit
    22.         if fitness>Rabbit_Energy
    23.             Rabbit_Energy=fitness;
    24.             Rabbit_Location=X(i,:);
    25.         end
    26.     end
    27.     
    28.     E1=abs(2*(1-(t/T))-2); % factor to show the decreaing energy of rabbit
    29.     a1 = 4;              % Initial chaotic map parameter configuration
    30.     teta = 0.7;         % Initial chaotic map parameter configuration
    31.     % Update the location of Harris' hawks
    32.     for i=1:size(X,1)
    33.          for ii=1:4
    34.           Cm(1,ii) = abs((a1/4)*sin(pi*teta));
    35.           teta = Cm(1,ii);
    36.         end
    37.         E0=2*rand()-1; %-1<E0<1
    38.         Escaping_Energy=E1*(E0);  % escaping energy of rabbit
    39.         
    40.         if abs(Escaping_Energy)>=1
    41.             %% Exploration:
    42.             % Harris' hawks perch randomly based on 2 strategy:
    43.             
    44.             q=rand();
    45.             rand_Hawk_index = floor(N*rand()+1);
    46.             X_rand = X(rand_Hawk_index, :);
    47.             if q<0.5
    48.                 % perch based on other family members
    49.                  X(i,:)=X_rand-Cm(1,1)*abs(X_rand-2*Cm(1,2)*X(i,:));
    50.             elseif q>=0.5
    51.                 % perch on a random tall tree (random site inside group's home range)
    52.                X(i,:)=(Rabbit_Location(1,:)-mean(X))-Cm(1,3)*((ub-lb)*Cm(1,4)+lb);
    53.             end
    54.             
    55.         elseif abs(Escaping_Energy)<1
    56.             %% Exploitation:
    57.             % Attacking the rabbit using 4 strategies regarding the behavior of the rabbit
    58.             
    59.             %% phase 1: surprise pounce (seven kills)
    60.             % surprise pounce (seven kills): multiple, short rapid dives by different hawks
    61.             
    62.             r=rand(); % probablity of each event
    63.             
    64.             if r>=0.5 && abs(Escaping_Energy)<0.5 % Hard besiege
    65.                 X(i,:)=(Rabbit_Location)-Escaping_Energy*abs(Rabbit_Location-X(i,:));
    66.             end
    67.             
    68.             if r>=0.5 && abs(Escaping_Energy)>=0.5  % Soft besiege
    69.                 Jump_strength=2*(1-rand()); % random jump strength of the rabbit
    70.                 X(i,:)=(Rabbit_Location-X(i,:))-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:));
    71.             end
    72.             
    73.             %% phase 2: performing team rapid dives (leapfrog movements)
    74.             if r<0.5 && abs(Escaping_Energy)>=0.5 % Soft besiege % rabbit try to escape by many zigzag deceptive motions
    75.                 w1=2*exp(-(8*t/T)^2);         % Non-linear control Parameter
    76.                 Jump_strength=2*(1-rand());
    77.                 X1=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:));
    78.                 
    79.                 if fobj(X1)>fobj(X(i,:)) % improved move?
    80.                     X(i,:)=X1;
    81.                 else % hawks perform levy-based short rapid dives around the rabbit
    82.                     X2=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:))+rand(1,dim).*Levy(dim);
    83.                     if (fobj(X2)>fobj(X(i,:))) % improved move?
    84.                         X(i,:)=X2;
    85.                     end
    86.                 end
    87.             end
    88.             
    89.             if r<0.5 && abs(Escaping_Energy)<0.5 % Hard besiege % rabbit try to escape by many zigzag deceptive motions
    90.                 % hawks try to decrease their average location with the rabbit
    91.                 w1=2*exp(-(8*t/T)^2);
    92.                 Jump_strength=2*(1-rand());
    93.                 X1=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-mean(X));
    94.                 
    95.                 if fobj(X1)>fobj(X(i,:)) % improved move?
    96.                     X(i,:)=X1;
    97.                 else % Perform levy-based short rapid dives around the rabbit
    98.                     X2=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-mean(X))+rand(1,dim).*Levy(dim);
    99.                     if (fobj(X2)>fobj(X(i,:))) % improved move?
    100.                         X(i,:)=X2;
    101.                     end
    102.                 end
    103.             end
    104.             %%
    105.         end
    106.     end
    107.     t=t+1;
    108.     CNVG(t)=Rabbit_Energy;
    109. end
    110.  
    111. end

    function [Rabbit_Energy,Rabbit_Location,CNVG] = NCHHO_IoV(N,T,lb,ub,dim,fobj)


    % initialize the location and Energy of the rabbit
    Rabbit_Location=zeros(1,dim);
    Rabbit_Energy=0;

    %Initialize the locations of Harris' hawks
    X=initialization(N,dim,ub,lb);

    CNVG=zeros(1,T);

    t=0; % Loop counter

    while t     for i=1:size(X,1)
            % Check boundries
            FU=X(i,:)>ub;FL=X(i,:)         % fitness of locations
            fitness=fobj(X(i,:));
            % Update the location of Rabbit
            if fitness>Rabbit_Energy
                Rabbit_Energy=fitness;
                Rabbit_Location=X(i,:);
            end
        end
        
        E1=abs(2*(1-(t/T))-2); % factor to show the decreaing energy of rabbit
        a1 = 4;              % Initial chaotic map parameter configuration
        teta = 0.7;         % Initial chaotic map parameter configuration
        % Update the location of Harris' hawks
        for i=1:size(X,1)
             for ii=1:4
              Cm(1,ii) = abs((a1/4)*sin(pi*teta));
              teta = Cm(1,ii);
            end
            E0=2*rand()-1; %-1         Escaping_Energy=E1*(E0);  % escaping energy of rabbit
            
            if abs(Escaping_Energy)>=1
                %% Exploration:
                % Harris' hawks perch randomly based on 2 strategy:
                
                q=rand();
                rand_Hawk_index = floor(N*rand()+1);
                X_rand = X(rand_Hawk_index, :);
                if q<0.5
                    % perch based on other family members
                     X(i,:)=X_rand-Cm(1,1)*abs(X_rand-2*Cm(1,2)*X(i,:));
                elseif q>=0.5
                    % perch on a random tall tree (random site inside group's home range)
                   X(i,:)=(Rabbit_Location(1,:)-mean(X))-Cm(1,3)*((ub-lb)*Cm(1,4)+lb);
                end
                
            elseif abs(Escaping_Energy)<1
                %% Exploitation:
                % Attacking the rabbit using 4 strategies regarding the behavior of the rabbit
                
                %% phase 1: surprise pounce (seven kills)
                % surprise pounce (seven kills): multiple, short rapid dives by different hawks
                
                r=rand(); % probablity of each event
                
                if r>=0.5 && abs(Escaping_Energy)<0.5 % Hard besiege
                    X(i,:)=(Rabbit_Location)-Escaping_Energy*abs(Rabbit_Location-X(i,:));
                end
                
                if r>=0.5 && abs(Escaping_Energy)>=0.5  % Soft besiege
                    Jump_strength=2*(1-rand()); % random jump strength of the rabbit
                    X(i,:)=(Rabbit_Location-X(i,:))-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:));
                end
                
                %% phase 2: performing team rapid dives (leapfrog movements)
                if r<0.5 && abs(Escaping_Energy)>=0.5 % Soft besiege % rabbit try to escape by many zigzag deceptive motions
                    w1=2*exp(-(8*t/T)^2);         % Non-linear control Parameter
                    Jump_strength=2*(1-rand());
                    X1=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:));
                    
                    if fobj(X1)>fobj(X(i,:)) % improved move?
                        X(i,:)=X1;
                    else % hawks perform levy-based short rapid dives around the rabbit
                        X2=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-X(i,:))+rand(1,dim).*Levy(dim);
                        if (fobj(X2)>fobj(X(i,:))) % improved move?
                            X(i,:)=X2;
                        end
                    end
                end
                
                if r<0.5 && abs(Escaping_Energy)<0.5 % Hard besiege % rabbit try to escape by many zigzag deceptive motions
                    % hawks try to decrease their average location with the rabbit
                    w1=2*exp(-(8*t/T)^2);
                    Jump_strength=2*(1-rand());
                    X1=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-mean(X));
                    
                    if fobj(X1)>fobj(X(i,:)) % improved move?
                        X(i,:)=X1;
                    else % Perform levy-based short rapid dives around the rabbit
                        X2=w1*Rabbit_Location-Escaping_Energy*abs(Jump_strength*Rabbit_Location-mean(X))+rand(1,dim).*Levy(dim);
                        if (fobj(X2)>fobj(X(i,:))) % improved move?
                            X(i,:)=X2;
                        end
                    end
                end
                %%
            end
        end
        t=t+1;
        CNVG(t)=Rabbit_Energy;
    end

    end

    🎉3 参考文献

    文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

    🌈4 Matlab代码及文献

  • 相关阅读:
    Python3 + Appium + 安卓模拟器实现APP自动化测试并生成测试报告
    20张图带你彻底搞懂二叉树的删除操作
    lc[数组]---59.螺旋矩阵②(new二维数组&&循环不变量&&模拟)
    人工智能AI库Spleeter免费人声和背景音乐分离实践(Python3.10)
    MySQL数据库基础
    vr航天探索科普展vr航天科普亲子嘉年华
    【云栖 2023】林伟：大数据 AI 一体化的解读
    小样本数据集 (Few-shot Learning)
    聊一下Word2vec-训练优化篇
    Python数据分析与机器学习44-Python生成时间序列
  • 原文地址：https://blog.csdn.net/Yan_she_He/article/details/132956066