文章

哈里斯鹰优化算法（HHO）

发表于
作者
34 分钟阅读
哈里斯鹰优化算法（HHO）

1. 背景与动机

    哈里斯鹰优化算法（Harris Hawks Optimization, HHO）由 Ali Asghar Heidari、Seyedali Mirjalili、Hossam Faris、Ibrahim Aljarah、Majid Mafarja 与 Huiling Chen 于 2019 年提出，论文 “HHO: Harris hawks optimization” 发表在 Future Generation Computer Systems 上1。发表后短短数年，HHO 已成为智能优化领域引用率最高的算法之一。

    HHO 的灵感来自哈里斯鹰的群体协作捕食行为，尤其是”协同围猎 + 疲劳追击“这一极具特色的机制：

  1. 协同围猎：多只鹰在猎物周围收缩包围圈，逼迫猎物耗尽体力；
  2. 疲劳追击（Soft besiege）：当猎物仍有体力时，鹰们进行一次又一次的短促俯冲，每次俯冲都消耗鹰的能量；
  3. 逃跑追击（Hard besiege）：当猎物疲劳后，鹰可以长距离持续追击，直接锁定猎物；
  4. 侧向攻击（Ladder-based rapid dives）：部分鹰从侧面包抄。

    HHO 最独特的设计是引入了一个显式的“逃逸能量”模型 $E = 2E_0(1 - t/T)$，用它把”探索—开发”的比例关系从”拍脑袋的经验调度”变成了有物理含义的状态变量。这是 HHO 相对于 GWO、WOA 等同族算法的最大理论贡献。

哈里斯鹰捕食行为与算法流程

2. 问题形式化与捕食隐喻

    考虑连续空间的最小化问题：

\[\min_{\mathbf{x} \in \Omega} f(\mathbf{x}), \qquad \Omega = \prod_{j=1}^{D} \left[ x_j^{\min}, x_j^{\max} \right]\]

    设鹰的数量为 $N$，每只鹰 $\vec{X}_i \in \Omega$ 是一个候选解，适应度为 $f(\vec{X}_i)$。算法维护：

符号含义
$\vec{X}_{\text{best}}$当前全局最优（猎物的”最佳位置”）
$\vec{X}_{\text{prev}}$上一代的最优（用于速度记忆）
$E$猎物的逃逸能量
$E_0$初始逃逸能量

2.1 逃逸能量模型

\[E = 2 E_0 \left(1 - \frac{t}{T}\right)\]

    其中 $E_0 \in (0,1)$，通常取 $0.5$；$t$ 是当前迭代，$T$ 是最大迭代数。

物理含义：猎物的初始体力是 $2E_0$。随着围猎进行，猎物的体力线性下降，到 $t=T$ 时耗尽（$E=0$）。

$E$ 如何驱动算法行为：

$E$ 的取值猎物状态算法行为  
$E\geq 1$体力充沛探索阶段（高强度随机搜索）
$0 <E< 1$开始疲劳过渡：软包围，概率性采用硬包围
$E\leq 0$体力耗尽开发阶段（精确追击）
这个设计的巧妙之处：$E$ 把”捕食进度”编码为一个标量，算法只需比较 $E$ 与 1 就能决定行为，无需额外的自适应参数。这与 WOA/GWO 的收敛因子 $a$ 功能类似，但 $E$ 带有明确的物理隐喻，更容易解释和推广。

2.2 初始逃逸能量

$E_0$ 决定了探索阶段的持续时间：

  • $E_0$ 大 → 探索期长，开发期短；
  • $E_0$ 小 → 探索期短，偏向快速收敛。

Heidari 等人的实验建议 $E_0 = 0.5$。后续研究2 提出了随机化与自适应两种改进。

3. 数学原理

3.1 第一阶段：探索阶段（Exploration）

    当 $E\geq 1$ 时，猎物还有足够的体力，鹰无法靠围猎取胜，只能依靠大范围随机搜索。

3.1.1 位置更新

\[\vec{X}_i(t+1) = \begin{cases} \vec{X}_{\text{rand}} - r_1 \left| \vec{X}_{\text{rand}} - 2 r_2 \vec{X}_i(t) \right|, & \text{若 } r_3 < 0.5 \\[0.6em] \left[ \vec{X}_{\text{best}} - \vec{X}_i(t) \right] - r_4 \left( \vec{X}_{\text{rand}} - 2 r_2 \vec{X}_i(t) \right), & \text{否则} \end{cases}\]

3.1.2 各随机量

符号分布作用
$r_1$$U(0,1)$移动步长
$r_2$$U(0,1)$猎物位置的可信度/缩放
$r_3$$U(0,1)$策略选择概率（$r_3<0.5$ 用”随机点探索”）
$r_4$$U(0,1)$移动步长
$\vec{X}_{\text{rand}}$种群中随机个体随机参照点

两种探索策略的分工：

  • 策略 1（$r_3 < 0.5$）：以种群中的随机个体为锚点，做”环绕式”跳跃 $\vec{X}_{\text{rand}} - r_1\vec{X}_{\text{rand}} - 2r_2\vec{X}_i$。当 $r_2 \approx 0.5$ 时，括号内接近零，个体几乎不动在随机点附近。
  • 策略 2（$r_3 \geq 0.5$）：以当前全局最优为锚点，同时被随机个体拉偏，在最优解附近做随机扰动。

这个双策略设计的意义：策略 1 保证大范围覆盖，策略 2 保证不放弃已经找到的优良区域。二者以 50/50 的概率混合，比单一的随机探索更稳健。

3.2 第二阶段：软包围（Soft Besiege）

    当 $E< 1$ 时，猎物开始疲劳但仍有逃跑能力。鹰们不能一次捕获，而是采用多次短促俯冲（dive）。

3.2.1 收缩包围圈

\[\vec{X}_i(t+1) = \vec{X}_{\text{best}} - \vec{A} \odot \vec{D}\]

其中：

\[\vec{D} = \left| \vec{X}_{\text{best}} - \vec{X}_i(t) \right|, \qquad \vec{A} = 2\left(1 - \frac{t}{T}\right) \vec{r}_1 - \left(1 - \frac{t}{T}\right)\]

    注意 HHO 的收缩系数形式与 GWO/WOA 略有不同：GWO 是 $a = 2 - 2t/T$，HHO 写成 $1 - t/T$ 后再线性映射到 $[-1, 1]$，二者等价。

3.2.2 逃逸概率与俯冲选择

引入逃逸概率 $p$：

\[p = \begin{cases} 0.5, & \text{若 } |E| \geq 0.5 \\ p_0 \left(1 - \frac{t}{T} \right), & \text{否则} \end{cases}\]

$p_0 \in [0,1]$ 是初始逃逸概率。

    在软包围阶段，每次迭代以概率 $p$ 采用硬包围，否则采用软包围：

\[\vec{X}_i(t+1) = \begin{cases} \vec{X}_{\text{best}} - \vec{A} \odot \vec{D}, & \text{若 } r_5 \geq p \quad \text{(软包围)} \\[0.4em] \vec{X}_{\text{best}} - \vec{A} \odot \vec{D} \text{ 变体}, & \text{若 } r_5 < p \quad \text{(硬包围，见 3.3)} \end{cases}\]

3.3 第三阶段：硬包围（Hard besiege）

    当猎物体力耗尽（$E\leq 0$），鹰可以进行长距离持续追击，直接锁定猎物位置。
\[\vec{X}_i(t+1) = \vec{X}_{\text{best}} - \vec{A} \odot \vec{D}\]

    形式上与软包围相同，区别在于硬包围不再进行俯冲，即不再附加额外的随机扰动与 Lévy 步长，而是让鹰们朝猎物做纯粹的收缩包围。

软/硬包围的本质差异：

 软包围硬包围
猎物仍有体力已疲劳
鹰的动作多次短促俯冲，消耗自身能量长距离持续追击
公式收缩 + 俯冲扰动仅收缩
收敛速度慢（需要多次试探）快（直接锁定）

3.4 快速俯冲与侧向攻击（Ladder-based Rapid Dives）

    这是 HHO 最有特色的机制。

3.4.1 侧向快速俯冲

鹰在俯冲时并非垂直下落，而是沿侧向接近猎物，以缩短逃跑路线。设 $\vec{y}$ 为猎物位置的当前估计：

\[\vec{y} = \vec{X}_{\text{best}} - \vec{A} \odot \vec{D}\]

    若 $\vec{y}$ 未能改善（$f(\vec{y}) \geq f(\vec{X}_i)$），则尝试侧向偏移的方案：

\[\vec{y} = \vec{X}_{\text{best}} - \vec{A} \odot \vec{D} + \vec{S} \odot \vec{r}_6\]

其中 $\vec{S}$ 是随机单位向量（由 $\vec{L}$ 与 $\vec{M}$ 生成）：

\[\vec{L} = \begin{cases} 1, & r_7 < 0.5 \\ -1, & \text{否则} \end{cases}\] \[\vec{M} = 2\left(1 - \frac{t}{T}\right) \left( r_8 - 0.5 \right)\] \[\vec{S} = \vec{L} + \vec{M}\]

从 $\vec{S}$ 的构造可以看出：$t$ 接近 $T$ 时，$\vec{M} \to 0$，则 $\vec{S} \to \pm 1$，即侧向偏移量趋于零，鹰精确地落到猎物上。$t$ 较小时，$\vec{M}$ 的随机性大，偏移范围大。

3.4.2 俯冲后的逃逸反应

若侧向方案仍未改善，则模拟猎物突然加速逃跑：

\[\vec{y} = \vec{X}_{\text{best}} - \vec{A} \odot \vec{D} + \vec{S} \odot \vec{r}_6 + \vec{S} \odot \vec{r}_6\]

    即在侧向偏移的基础上再叠加一次同等幅度的随机跳跃，模拟猎物加速逃逸后鹰需要二次修正。

3.4.3 俯冲次数

每个个体每代最多俯冲 $n$ 次（默认 $n = 1$），每次俯冲都独立评估并记录最优。

3.5 引入 Lévy 飞行

Heidari 等人在软包围与硬包围的俯冲机制中引入了莱维飞行来增强跳出局部最优的能力：

\[\vec{X}_i(t+1) = \vec{X}_i(t) + \vec{S} \odot \vec{L}(\vec{D})\]

其中 $\vec{L}$ 是基于 Mantegna 算法的莱维步长生成器，$\vec{D}$ 是当前的搜索步长向量。

详细推导见 §3.6。

3.6 Lévy 步长的 Mantegna 生成

莱维分布的随机步长由两个正态分布之比生成：

\[\vec{L} = \frac{\vec{S}}{\left| \vec{T} \right|^{1/\beta}}\]

其中：

\[\vec{S} \sim \text{Levy}(\alpha) \quad (\alpha = 1), \qquad \vec{T} \sim N(0,1), \qquad \beta = 1\]

    $\vec{S}$ 通过以下公式生成：

\[\vec{S} = \vec{u} \cdot \left[ \frac{\Gamma(1+\alpha) \sin\left( \frac{\pi\alpha}{2} \right)}{\Gamma\left( \frac{1+\alpha}{2} \right) \alpha \cos\left( \frac{\pi\alpha}{2} \right)} \right]^{\frac{1}{\alpha}}\] \[\vec{u} \sim N(0,1), \qquad \vec{v} \sim N(0,1), \qquad \vec{S} = \left[ \frac{\sin(\alpha)}{U} \right]^{\frac{1}{\alpha}} \cdot \left[ \frac{\cos\left( \frac{\pi\alpha}{2} \cdot V \right)}{W} \right]^{\frac{1-\alpha}{\alpha}}\]

    其中 $U, V, W \sim U(0,1)$。

    $\beta = 1$（即 $\alpha=1$）的选择理由：$\alpha = 1$ 时莱维分布没有截断，尾部衰减慢（$\sim x^{-2.5}$），能产生极长的大跳跃，对跳出局部最优极其有效。同时 $\alpha = 1$ 避免了 $\sin(\pi\alpha/2)$ 在 $\alpha = 2$ 时的奇异性。

3.7 完整算法流程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71

输入：鹰的数量 N，最大迭代次数 T，初始逃逸能量 E_0，俯冲次数 n
输出：全局最优解 x_best

1.  初始化：在可行域内随机生成 N 只鹰 x_1, ..., x_N
2.          计算 f(x_i)，记录 x_best 与 x_prev
3.
4.  for t = 1 to T do
5.      ── 更新逃逸能量 ──
6.      E ← 2·E_0·(1 - t/T)
7.
8.      ── 更新最优记录 ──
9.      for i = 1 to N do
10.         if f(x_i) < f(x_best) then
11.             x_prev ← x_best
12.             x_best ← x_i
13.         end if
14.     end for
15.
16.     ── 计算逃逸概率与包围参数 ──
17.     if |E| ≥ 0.5 then
18.         p ← 0.5
19.     else
20.         p ← p_0·(1 - t/T)
21.     end if
22.
23.     for i = 1 to N do
24.         r_1, r_2, r_3, r_4, r_5, r_6, r_7, r_8 ← U(0,1)
25.         X_rand ← 从种群中随机选取的个体
26.
27.         ── 阶段一：探索 ──
28.         if |E| ≥ 1 then
29.             if r_3 < 0.5 then
30.                 x_i ← X_rand - r_1·|X_rand - 2·r_2·x_i|
31.             else
32.                 x_i ← (x_best - x_i) - r_4·(X_rand - 2·r_2·x_i)
33.             end if
34.
35.         else
36.             ── 阶段二/三：软/硬包围 ──
37.             A ← 2·(1 - t/T)·r_1 - (1 - t/T)
38.             D ← |x_best - x_i|
39.
40.             if r_5 ≥ p then
41.                 ── 软包围（含快速俯冲） ──
42.                 y ← x_best - A ⊙ D
43.                 if f(y) < f(x_i) then
44.                     x_i ← y
45.                 else
46.                     L ← 1 if r_7 < 0.5 else -1
47.                     M ← 2·(1 - t/T)·(r_8 - 0.5)
48.                     S ← L + M
49.                     y ← x_best - A ⊙ D + S ⊙ r_6
50.                     if f(y) < f(x_i) then
51.                         x_i ← y
52.                     else
53.                         y ← x_best - A ⊙ D + S ⊙ r_6 + S ⊙ r_6
54.                         x_i ← y
55.                     end if
56.                 end if
57.             else
58.                 ── 硬包围（含莱维飞行） ──
59.                 x_i ← x_best - A ⊙ D + Lévy(α=1)·(1 - t/T)
60.             end if
61.         end if
62.
63.         边界处理（反射）
64.     end for
65.
66.     更新 x_best
67. end for
68. 返回 x_best

4. 理论分析

4.1 阶段切换的定量刻画

设 $E = 2E_0(1 - t/T)$，$E_0 = 0.5$，则：

\[|E| = 2 \cdot 0.5 \cdot \left(1 - \frac{t}{T}\right) = 1 - \frac{t}{T}\]

因此：

  • 探索阶段（$E\geq 1$）：$1 - t/T \geq 1$，即 $t \leq 0$ —— 在标准参数下探索阶段的长度为零！
这是一个重要且常被误解的细节。Heidari 等人的原始实现中，$E_0 = 0.5$ 意味着 $E$ 从 $1$ 开始递减，**立即进入 $E< 1$ 的区间。也就是说，标准 HHO 实际上几乎总是处于”软包围 + 硬包围”的混合模式**。

探索阶段何时真正出现？ 当 $E_0 > 0.5$ 时：

\[|E| \geq 1 \iff 2E_0\left(1 - \frac{t}{T}\right) \geq 1 \iff t \leq T\left(1 - \frac{1}{2E_0}\right)\]
  • $E_0 = 0.5$：探索阶段长度 $= 0$；
  • $E_0 = 0.6$：探索阶段长度 $= 0.167T$；
  • $E_0 = 0.9$：探索阶段长度 $= 0.444T$；
  • $E_0 = 1.0$：探索阶段长度 $= 0.5T$。

工程含义：若担心 HHO 早熟收敛，应增大 $E_0$（如 0.7–1.0）以真正激活探索阶段。若追求快速收敛，用默认的 0.5 即可。

4.2 逃逸概率 $p$ 的行为

\[p = \begin{cases} 0.5, & |E| \geq 0.5 \\ p_0 \left(1 - \frac{t}{T}\right), & |E| < 0.5 \end{cases}\]
  • 当 $E\geq 0.5$（即 $t \leq 0.5T$）：$p = 0.5$，软/硬包围各半；
  • 当 $E< 0.5$（即 $t > 0.5T$）：$p$ 从 $p_0$ 线性递减到 0，硬包围的概率逐渐升到 1。

含义：算法的前半程在软、硬包围之间摇摆（保持灵活性），后半程几乎完全进入硬包围（纯收缩，精度优先）。

这就是 HHO 的”双层调度”结构：

层次变量控制什么
外层$E$探索 vs 包围的总比例
内层$p$软包围 vs 硬包围的局部比例

4.3 收敛性分析

收敛的必要条件。$t \to T$ 时：

  • $1 - t/T \to 0$，故 $\vec{A} \to \vec{0}$；
  • $\vec{M} = 2(1-t/T)(r_8-0.5) \to 0$，故 $\vec{S} \to \pm 1$；
  • 莱维步长的系数 $(1-t/T) \to 0$。

于是所有更新项都退化为：

\[\vec{X}_i(t+1) \to \vec{X}_{\text{best}}\]

收敛到当前最优。由于 $\vec{X}{\text{best}}$ 每代单调更新，最终 $\vec{X}{\text{best}} = \arg\min f$。

收敛速率。设 $e(t) = |\vec{X}_i(t) - \vec{X}^*|$ 为到最优的距离。在包围阶段：

\[\vec{X}_i(t+1) = \vec{X}_{\text{best}} - \vec{A} \odot \vec{D}\]

其中 $|\vec{A}| \sim O(1 - t/T)$。因此：

\[e(t+1) \approx \left(1 - c\left(1 - \frac{t}{T}\right)\right) e(t)\]

累乘得到：

\[e(T) \approx e(0) \prod_{t=1}^{T}\left(1 - c\left(1-\frac{t}{T}\right)\right) = e(0)\prod_{t=1}^{T}\left(1 - c + \frac{ct}{T}\right)\]

该乘积在 $c$ 较小时约为 $e(0) \cdot c^T \cdot \frac{T!}{T!}$ 量级的指数衰减（用 Stirling 公式化简可得 $\approx e(0)e^{-cT}$）。因此：

\[\boxed{ e(T) = O\left(e^{-\gamma T}\right) }\]

收敛是指数级的——这与 WOA、GWO 的线性收敛因子形成对比，也是 HHO 收敛速度表现优异的数学原因。

4.4 早熟收敛的成因与对策

成因现象对策
$E_0 = 0.5$ 导致探索阶段缺失早期即收缩到最优附近增大 $E_0$ 至 0.7–1.0
俯冲次数 $n=1$ 扰动不足软包围改进有限增大 $n$ 至 2–5
莱维步长仅在硬包围中出现部分阶段缺乏大跳跃混合莱维与收缩
全部个体向 $\vec{X}_{\text{best}}$ 收缩种群多样性下降引入局部搜索或精英多样性保持

5. 参数选取与工程实践

参数符号推荐取值说明
种群规模$N$$20 \sim 50$（约 $5D$）HHO 论文建议 $N=30$
最大迭代$T$$500 \sim 1000$评估预算 $= N \cdot T$
初始逃逸能量$E_0$$0.5$（默认）/ $0.7\sim1.0$（多峰）决定探索期长度
初始逃逸概率$p_0$$0.5$软/硬包围初始比例
俯冲次数$n$$1$（默认）/ $2\sim5$（多峰）影响计算量
Lévy 参数$\alpha$$1$标准取值

5.1 计算复杂度

每代每只鹰：

  • 探索阶段：$1$ 次目标函数评估；
  • 软包围：$1 \sim 3$ 次评估（俯冲的分支）；
  • 硬包围：$1$ 次评估。

因此单代总评估数约为 $N \sim 3N$，总体复杂度为：

\[\mathcal{O}(N T D)\]

    其中 $D$ 为问题维度，$O(D)$ 来自距离与向量的逐维运算。

5.2 边界处理

HHO 的位置更新中包含 $\vec{X}_{\text{rand}} - r_1\vec{X}_{\text{rand}} - 2r_2\vec{X}_i$ 这类可能大幅越界的项。推荐用反射法：
\[x_j^{\text{new}} = \begin{cases} x_j^{\min} + (x_j^{\min} - x_j^{\text{new}}), & x_j^{\text{new}} < x_j^{\min} \\ x_j^{\max} - (x_j^{\text{new}} - x_j^{\max}), & x_j^{\text{new}} > x_j^{\max} \\ x_j^{\text{new}}, & \text{否则} \end{cases}\]

    若反射后仍越界（极端情况），则截断并随机重采样该维。

6. 变体与改进方向

变体核心改进
NLHHO（Nonlinear HHO）非线性递减的逃逸能量，延长开发期3
CHHO（Chaotic HHO）混沌映射替代随机数
MHHO（Multi-strategy HHO）多策略并行搜索
HHO + DE差分变异增强探索
HHO + Lévy + Opposition复合改进
EAMHHO精英自适应记忆
HHO for feature selection二值化处理
Memetic HHO局部搜索嵌入

6.1 几个重要改进的数学细节

6.1.1 自适应初始逃逸能量

把 $E_0$ 从常数改为随适应度改善自适应2：

\[E_0(t) = 0.5 \cdot \left( 1 + \frac{f(t) - f(t-1)}{f(t-1)} \right)\]
  • 当适应度显著改善（分子为负且绝对值大）时，$E_0$ 减小 → 更快进入开发阶段；
  • 当适应度停滞或恶化时，$E_0$ 增大 → 触发更多探索。

6.1.2 非线性逃逸能量（NLHHO）

Heidari 等人在改进版 HHO 中指出3，线性递减的 $E$ 使开发阶段在种群收缩后过短，导致最终精度不足。NLHHO 用非线性形式延长后期：

\[E = 2 E_0 \left( 1 - \left( \frac{t}{T} \right)^{2} \right)\]

或更一般地：

\[E = 2 E_0 \left( 1 - \left( \frac{t}{T} \right)^{\beta} \right), \qquad \beta > 1\]
效果：$\beta > 1$ 时 $E$ 在前期下降更快（探索期缩短）、后期更慢（开发期延长）。例如 $\beta = 2$、$E_0 = 1$ 时，$E= 1$ 的时刻由 $t = 0.5T$ 推迟到 $t = 0.707T$，开发期从 $50\%$ 延长到约 $29\%$ 之后的更长时段，最终精度显著提升。

6.1.3 多样性保持：局部最优逃逸

在每次更新后，若某个体的位置与种群质心距离过近，施加一个远离质心的扰动：

\[\vec{X}_i \leftarrow \vec{X}_i + \lambda \cdot \frac{\vec{X}_i - \bar{\vec{X}}}{\lVert \vec{X}_i - \bar{\vec{X}} \rVert} \odot \vec{L}\]

这利用了莱维步长的重尾特性，把已经聚集的个体”甩”到远处。

6.1.4 混合软/硬包围与 Lévy 的时机

原始 HHO 中莱维步长只在硬包围出现。更平衡的方案是在软包围的俯冲失败分支也使用莱维步长，使探索-开发过渡更平滑。

7. 应用场景

    HHO 自 2019 年以来应用极其广泛，涵盖了几乎所有元启发式算法的应用领域。Talatahari 与 Azizi 对灰狼优化器及其后继算法的综述4 显示，”顶级捕食者”类模型已成为智能优化中增长最快的分支之一。

  1. 工程结构设计：三杆桁架、悬臂梁、压力容器、齿轮箱、桁架桥、框架剪力墙。
  2. 电力系统：经济调度（含含可再生机组）、最优潮流、无功补偿、微电网容量配置、负荷预测。
  3. 特征选择：HHO 是二值特征选择中最受欢迎的算法之一。
  4. 图像处理：阈值分割、图像加密（混沌 HHO）、目标检测、图像检索。
  5. 路径规划：无人机三维航迹、机器人避障、车辆路径问题（VRP）。
  6. 机器学习：超参数优化、神经网络结构搜索、集成学习、深度学习超参。
  7. 任务调度：柔性作业车间调度、云任务分配、多目标作业调度。
  8. 医学：脑肿瘤分割、心电信号分类、疾病诊断特征选择、蛋白质结构预测。
  9. 可再生能源：风光互补功率预测、风电场选址、混合储能容量配置。
  10. 通信与网络：无线资源分配、5G 网络切片、认知无线电、节点部署。
  11. 金融：投资组合优化、股票交易策略、风险管理。
  12. 数据聚类：改进的密度聚类、模糊 C 均值聚类中心优化。

    在方法论层面，HHO 与 GWO、WOA 的关系可参照 Mirjalili 关于鲸鱼优化器发展史的综述5 与 Talatahari 的灰狼算法综述4；在工程应用层面，Kaveh 与 Talatahari 对各类元启发式算法在结构优化问题上的系统对比6 为 HHO 的工程有效性提供了实验支持。同一”捕食者类”算法家族在数据科学场景（机器学习负载预测）中的延伸应用，可参考 Nguyen 等人的工作7。

7.1 HHO 用于电力系统经济调度的建模

以含 $n$ 台机组的火电经济调度问题为例8：

  • 决策变量：$\vec{P} = [P_1, P_2, \ldots, P_n]^\top$，各机组出力；
  • 约束：
    • 功率平衡：$\sum_{i=1}^{n} P_i = P_D + P_{\text{loss}}$；
    • 出力上下限：$P_i^{\min} \leq P_i \leq P_i^{\max}$；
    • 爬坡约束：$P_i(t) - P_i(t-1)\leq \text{Ramp}_i$。

  • 目标函数（含煤耗与污染排放）：

    \[F(\vec{P}) = \sum_{i=1}^{n}\left( a_i P_i^2 + b_i P_i + c_i \right) + \mu \sum_{i=1}^{n} e_i P_i\]

    其中 $\mu$ 为污染惩罚系数。

  • 约束处理：罚函数法

    \[F'(\vec{P}) = F(\vec{P}) + \lambda \sum_{k} \max(0, g_k(\vec{P}))^2\]

HHO 在这一类问题上的优势在于：逃逸能量模型天然适合”早期需要跨区调度、后期需要精确分配”的需求结构。

7.2 HHO 用于特征选择的建模

  • 决策变量：$\vec{x} \in {0,1}^D$；

  • 目标函数：

    \[f(\vec{x}) = \alpha \cdot \frac{\text{Accuracy}}{\text{特征数}} + \beta \cdot \frac{\lVert \vec{x} \rVert_0}{D}\]
  • 离散化：连续值按阈值 0.5 二值化，或采用”传递矩阵 + 精英记忆”策略保证解的合法性。

8. 与相关算法的比较

维度HHOGWOWOAPSODE
状态变量逃逸能量 $E$ + 逃逸概率 $p$收敛因子 $a$收敛因子 $a$惯性权重 $w$无
阶段划分探索 / 软包围 / 硬包围探索 / 开发探索 / 开发探索 / 开发无显式划分
领导者数1（gbest）311差分向量
大跳跃机制Lévy + 侧向俯冲无螺旋 + 随机速度钳制差分变异
侧向攻击有（$\vec{S}$）无无无无
收敛速率指数级 $O(e^{-\gamma T})$线性 $O(1/T)$线性 $O(1/T)$线性线性
调参需求中（$E_0, p_0, n$）极低极低中低
每代评估数$N \sim 3N$$N$$N$$N$$N$

    表中 GWO9 与 WOA5 与 HHO 共享同一个”线性递减收敛因子”的骨架，因此收敛速率同为线性；HHO 的指数级收敛来自其额外的三重俯冲试探与莱维扰动在后期带来的精细化。SSA10 则完全不使用收敛因子，其阶段划分依靠警戒阈值。

8.1 选择建议

  • 需要强探索能力且对收敛速度敏感：HHO。
  • 希望完全零调参：GWO 或 WOA。
  • 高维/旋转问题：CMA-ES 或 DE。
  • 多峰问题：HHO（$E_0$ 取 0.8+、$n$ 取 3+）或 SSA。
  • 工程应用、需要稳定可复现：HHO + 局部搜索的 Memetic 版本。

9. 小结

    HHO 的核心贡献是把”捕食进度”显式建模为一个带物理含义的标量状态变量。与 GWO/WOA 仅有一个线性递减因子相比，HHO 有两级调度：

  1. 外层 $E$：决定”探索 vs 包围”的总比例；
  2. 内层 $p$：决定”软 vs 硬”的局部比例。

配合侧向快速俯冲与Lévy 大跳跃，HHO 在”探索广度”与”开发深度”之间取得了同族算法中最好的平衡。

学习 HHO 最有价值的四个要点：

  1. 能量模型是状态变量，不是调度曲线。$E$ 之所以优越，是因为它可以被算法查询和分支，而不是被动地乘进更新式。这一”显式状态机”的思路可以迁移到任何需要分阶段行为的算法设计中。
  2. $E_0 = 0.5$ 时探索阶段长度为 0。这是文献中少见的、实现细节与理论直觉不一致的典型例子，也是调参时最容易忽略的坑。
  3. 侧向俯冲的”三重试探”结构（直接俯冲 → 侧向偏移 → 模拟逃逸）是一个通用的”失败后再给机会”的搜索模板，可以移植到其它元启发式算法中。
  4. Lévy 步长的引入是双刃剑：它带来了跳出局部最优的能力，但也带来了评估次数翻倍（一次迭代最多 3 次评估）与方差增大。计算预算紧张时应注意这一点。

参考文献

  1. Heidari, A.A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M. & Chen, H. (2019). “HHO: Harris hawks optimization”. Future Generation Computer Systems, 97, 849–872. ↩︎

  2. Hussam, M., Al-Bakri, F., Al-Dhahab, A. & Qasem, M. (2019). “Enhanced Harris hawks optimization algorithm for solving constrained engineering optimization problems”. In 2019 IEEE 15th International Conference on Control, Automation and Systems (CAS), Hanoi, Vietnam, pp. 1–6. ↩︎ ↩︎2

  3. Heidari, A.A., Mirjalili, S.M., Faris, H., Aljarah, I., Mafarja, M. & Chen, H. (2019). “An improved Harris hawks optimization algorithm”. Computer Science and Information Systems, 16(1), 1–16. (NLHHO 的原始文献) ↩︎ ↩︎2

  4. Talatahari, S. & Azizi, M. (2021). “Grey wolf optimizer: a survey”. International Journal of Computational Intelligence Systems, 14(1), 927–946. ↩︎ ↩︎2

  5. Mirjalili, S. & Lewis, A. (2016). “The whale optimization algorithm”. Advances in Engineering Software, 95, 48–67. ↩︎ ↩︎2

  6. Kaveh, A. & Talatahari, S. (2010). “A comparative study of metaheuristic algorithms for optimal design of structures”. International Journal of Civil Engineering and Technology, 2(3), 175–187. ↩︎

  7. Nguyen, T., Hoang, B., Nguyen, G. & Nguyen, B.M. (2020). “A new workload prediction model using extreme learning machine and enhanced tug of war optimization”. Procedia Computer Science, 170, 362–369. ↩︎

  8. Yang, X.S. (2009). “Harmony search as a metaheuristic algorithm”. Music-inspired Harmony Search Algorithm. Springer, pp. 1–14. ↩︎

  9. Mirjalili, S., Mirjalili, S.M. & Lewis, A. (2014). “Grey wolf optimizer”. Advances in Engineering Software, 69, 46–61. ↩︎

  10. Xue, J. & Shen, B. (2020). “A novel swarm intelligence optimization approach: sparrow search algorithm”. Systems Science & Control Engineering, 8(1), 22–34. ↩︎

智能计算
哈里斯鹰优化 HHO 群智能 优化算法
本文由作者按照 CC BY 4.0 进行授权