汤安迪，韩 统，徐登武，谢 磊

（1.空军工程大学研究生院，西安 710038；2.空军工程大学航空工程学院，西安 710038；3.94855部队，浙江衢州 324000）

0 引言

群智能优化算法是一种模拟自然界生物行为和自然现象的元启发式算法，具有良好的并行性和自主探索性。自1975年美国教授Holland［1］根据达尔文进化论以及自然界优胜劣汰机制提出了遗传算法以后，越来越多的学者通过对不同生物种群和物理现象进行分析，从中获取灵感，提出多种群智能优化算法。如：Mirjalili等［2］根据座头鲸的狩猎方式提出的鲸鱼优化算法（Whale Optimization Algorithm，WOA）；Karaboga等［3］根据蜜蜂采蜜机制提出的人工蜂群（Artificial Bee Colony，ABC）算法；Yang［4］基于萤火虫闪烁行为提出的萤火虫算法（Firefly Algorithm，FA）；Jiang等［5］基于天牛觅食原理提出的天牛须搜索（Beetle Antennae Search，BAS）算法；Mirjalili等［6］受灰狼群的等级制度和捕食行为所启发提出的灰狼优化（Grey Wolf Optimization，GWO）算法；Li等［7］根据病毒通过宿主细胞在细胞环境中生存和繁殖的扩散和感染策略提出的病毒群体搜索（Virus Colony Search，VCS）算法。

哈里斯鹰优化（Harris Hawks Optimization，HHO）算法是Heidari等［8］于2019年提出的一种新型群体算法，该算法启发于哈里斯鹰捕食行为的探索、探索与开发的转换、开发这三个阶段，具有原理简单、参数较少、全局搜索能力较强等特点，因此HHO已在图像分割［9］、神经网络训练［10］、电机控制［11］等领域进行运用。但是HHO与其他群智能优化算法一样，在求解复杂优化问题时，存在收敛速度慢、寻优精度低、易陷入局部最优等缺陷。为此Qu等［12］利用信息交换机制增强种群多样性；Zhang等［13］引入指数递减策略更新能量因子；Elgamal等［14］引入模拟退火机制。本文针对算法存在的问题，从以下四个方面进行改进：1）引入精英等级制度策略，利用优势种群信息，增强种群多样性，提升算法收敛速度和精度；……