白晓波，江梦茜，王铁山，邵景峰，李 勃

（1.西安工程大学管理学院，陕西 西安 710048；2“.一带一路”纺织发展创新研究院，陕西 西安 710048；3.福州大学先进制造学院，福建 福州 350003）

0 引 言

群体智能优化算法（Swarm Intelligence Optimization Algorithm，SIOA）是模拟生物种群的群体或社会行为，求解问题的最优值，在工程、医学、军事和生产车间调度等领域均有应用。为了解决不同类型的优化问题，如在参数取值范围内，参数多、维度高，优化目标为单峰或者多峰函数，产生了一些比较有代表性的群体智能优化算法，如粒子群算法（Particle Swarm Optimization，PSO）［1］、灰狼算法（Grew Wolf Optimization，GWO）［2］、烟花算法（Fireworks Algorithm，FWA）［3］、蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）［4］、萤火虫算法（Firefly Optimization Algorithm，FOA）［5］和果蝇优化算法（Fruit Fly Optimization Algorithm，FFOA）［6］等。这些不同的优化算法在不同的优化目标上的性能表现差异较大。这也比较符合无免费午餐（No Free Lunch，NFL）定理［7］，即一个算法很难在每个优化目标上表现出优异性能。这也是很多学者一直在改进现有算法或者研究出更有效的优化算法的原因。

2019 年，Heidari 等［8］提出了哈里斯鹰优化（Harris Hawks Optimization，HHO）算法，该算法通过模拟猎物的逃逸能量来控制全局和局部搜索，但是算法存在前期全局搜寻能力较弱、且种群多样性不足的问题。与GWO 相比，对部分多峰函数优化性能较差。因此，国内外学者对HHO 进行了研究，并改进其寻优能力。如贾鹤鸣等［9］，将动态反向学习的阿奎拉鹰（Aquila Optimizer，AO）［10］与HHO 相融合，解决了HHO 全局寻优能力不足的问题，在对部分多峰函数的求解中，取得了和AO 近乎接近的结果。汤安迪等［11］利用精英等级策略和非线性能量因子对算法进行改进。高建瓴等［12］主要利用混合差分与二次插值的方法对HHO 改进。……