（论文复现）AEDHOA——四重策略驱动的徒步旅行优化算法（MATLAB代码）

原文：Redirecting

文末有代码获取方式

 

该文章提出自适应增强多样化徒步旅行优化算法（AEDHOA），徒步优化算法（HOA）的改进变体，旨在有效解决这些问题。AEDHOA包含四个关键策略：增强种群多样性的分层随机抽样策略（SRIS），增强型领导者协调策略（ELCS）用于多领导者引导以防止过早收敛，自适应扰动策略（APS）引入受控随机性以逃避局部最优，以及动态探索策略（DES），以动态平衡全局探索和局部开发。AEDHOA的性能使用CEC 2017和CEC 2022的基准测试函数进行验证，其中将其与经典，最新和高级算法进行比较，以确保全面的基准测试。

1，分层随机初始化策略（SRIS）

文章提出一个SRIS将整合结构化分层和随机性，这使得算法能够有效地分布在整个解决方案空间，同时保留一定量的随机初始化提供的灵活性。以这种方式，它减少传统的初始化通常表现出的聚类效果，除了提高复杂和多模态优化问题的算法的稳定性，可避免早期陷入局部最优。

2,领导协调策略（ELCS）

类似于GWO的领导策略

 

3，自适应扰动策略(APS)

添加图片注释，不超过 140 字（可选）

4，动态勘探策略（DES）

 

该方法对于算法的改进虽然效果不错，但对于算法的时间复杂度却增加了太多，但在以计算适应度次数为终止条件下，可以忽略不计。在CEC2022测试函数的效果如下所示：

 

收敛图：

 

（论文复现）AEDHOA--四重策略驱动的徒步旅行优化算法