2025年ISA Trans SCI2区TOP：超级哈里斯鹰算法Super-HHO+高功率机车悬挂载荷偏差控制，深度解析+性能实测
目录
- 1.摘要
- 2.哈里斯鹰算法HHO原理
- 3.改进策略
- 4.结果展示
- 5.参考文献
- 6.代码获取
1.摘要
本研究建立了六轴铁路车辆静态二次弹簧载荷调节的理论模型，该模型适用于各种六轴铁路车辆，如机车、地铁、客运列车和货运列车。本文提出了一种简化的支撑结构模型，通过将六轴车辆的12点支撑结构简化为4点支撑结构，有效减少了计算复杂度，将超级哈里斯鹰优化算法（Super-HHO)应用于铁路车辆悬挂载荷控制领域，不仅减少了垫片的位置和数量，降低了垫片工作量，还提升了静态二次弹簧载荷偏差控制的效率。
2.哈里斯鹰算法HHO原理
【智能算法】哈里斯鹰算法（HHO)原理及实现
3.改进策略
混沌随机参数
Tent混沌映射具有周期性、规律性和随机性等特点，能够以较高的概率遍历所有状态而不重复，因此适用于优化搜索。通过使用混沌映射代替随机参数，算法可以在搜索空间中生成均匀分布的初始种群，从而保证初始种群的随机性，提升多样性，进而获得高质量的初始种群。
r i + 1 = { r i / 0.67 i f r i < 0.67 ( 1 − r i ) / 0.33 i f r i ≥ 0.67 r_{i+1}=\left\{ \begin{array} {ll}r_i/0.67\quad if\quad r_i<0.67 \\ (1-r_i)/0.33\quad if\quad r_i\geq0.67 \end{array}\right. ri+1={ri/0.67ifri<0.67(1−ri)/0.33ifri≥0.67
非线性控制因子
在HHO中，猎物的探索行为和开发行为由逃逸能量E调节， E E E值越小，猎物倾向于开发行为； E E E值越大，则倾向于探索行为。本文提出了一种非线性更新逃逸能量 E E E，使得 E E E在中期变化较慢，在后期变化较快，从而更好地平衡全局搜索和局部搜索。
E = 2 E 0 ⋅ [ 1 − ( t / T ) 1 / 3 ] 1 / 3 E=2E_0\cdot\left[1-\left(t/T\right)^{1/3}\right]^{1/3} E=2E0⋅[1−(t/T)1/3]1/3
高斯变异
Super-HHO使用连续两次迭代中平均适应度的变化率来确定迭代是否进入停滞状态。当出现静止状态时，我们采用高斯变异更新位置:
{ ψ = ∣ X m , t / X m , t − 1 − 1 ∣ X t = G a u s s i a n ( X t , σ ) , i f : ψ < 0.04 t T < 0.85 σ = cos [ π / 2 ⋅ ( t / T ) 2 ⋅ ( X t − X m , t ) ] \left.\left\{ \begin{array} {l}\psi=\left|X_{m,t}/X_{m,t-1}-1\right| \\ \\ X_t=Gaussian(X_t,\sigma),if:\psi<0.04 & \frac{t}{T}<0.85 \\ \\ \sigma=\cos\left[\pi/2\cdot\left(t/T\right)^2\cdot\left(X_t-X_{m,t}\right)\right] \end{array}\right.\right. ⎩ ⎨ ⎧ψ=∣Xm,t/Xm,t−1−1∣Xt=Gaussian(Xt,σ),if:ψ<0.04σ=cos[π/2⋅(t/T)2⋅(Xt−Xm,t)]Tt<0.85
猎物位置Sine变异
基于正弦函数的位置变化调整猎物的位置，增强局部开发能力：
X r a b b i t ′ = X r a b b i t ⋅ [ 1 5 ⋅ sin ( π 2 ⋅ t T + π ) + 1 ] X_{rabbit}^{\prime}=X_{rabbit}\cdot\left[\frac{1}{5}\cdot\sin\left(\frac{\pi}{2}\cdot\frac{t}{T}+\pi\right)+1\right] Xrabbit′=Xrabbit⋅[51⋅sin(2π⋅Tt+π)+1]
流程图
4.结果展示
5.参考文献
[1] Xiao Y, Wu Y. The suspension load deviation control method for high-power locomotives via Harris Hawk optimization[J]. ISA transactions, 2025.