---

【获取资源请见文章第7节：资源获取】

---

1. 算法概述

针对泄漏事故，提出了一种融合气体扩散模型、传感器布局和优化算法的危化品泄漏源定位模型，将传感器获取的测量浓度数据与扩散模型的计算浓度进行误差对比，把二者之间的最小误差作为优化目标函数，利用优化算法对目标函数进行迭代寻优。将哈里斯鹰优化算法（HHO）应用于危化品溯源定位研究，此外考虑到原始哈里斯鹰优化算法存在的收敛精度低、收敛速度慢、易陷入局部最优等问题，对HHO算法进行了改进。

2. 原始哈里斯鹰算法（HHO）

详细介绍此处略，可参考HHO算法介绍

3. 改进哈里斯鹰算法（IHHO）

3.1 动态自适应逃逸能量

猎物逃逸能量E是HHO平衡全局探索与局部开发行为的重要参数。HHO中对猎物逃逸能量E的描述是由最大值线性递减至最小值，这种线性能量递减策略导致算法的探索和发开平衡性较差，且无法准确表征实际情况下鹰与猎物多轮围捕逃逸过程。 为此，在HHO能量递减策略中引入动态自适应权重。

3.2 动态扰动策略

在原始HHO算法中，当猎物的能量$|E|$小于1时，算法进入开发阶段，但是这并不能保证种群一定能接近最优解，甚至导致过早收敛、陷入局部最优。因此引入动态扰动策略，帮助算法跳出局部最优。

4. 构建源强和位置反算模型

5. 部分代码展示

% 计算浓度值C
c=CacuC(Mubiao,sigma_x,sigma_y,sigma_z,x,y,u,t);
fobj = @(xx) fun(xx,c,sigma_x,sigma_y,sigma_z,x,y,u,t);%适应度函数设置 
% 调用哈里斯鹰算法求解
[Rabbit_Energy_HHO,Rabbit_Location_HHO,CNVG_HHO]=HHO(n,iter_max,lb,ub,dim,fobj);
[Rabbit_Energy_IHHO,Rabbit_Location_IHHO,CNVG_IHHO]=IHHO(n,iter_max,lb,ub,dim,fobj);

figure(1);
semilogy(CNVG_HHO, 'k', 'linewidth', 2)
hold on
semilogy(CNVG_IHHO, 'y', 'linewidth', 2)
xlabel('迭代次数');
ylabel('函数值');
legend('HHO','IHHO');
title(['HHO算法和IHHO算法各代最优解变化' '终止次数=' num2str(iter_max)]); 

6. 仿真结果展示

将原始HHO算法和改进后的IHHO算法均用于泄漏源定位算法，对比结果如下。

7. 资源获取说明

可以获取完整代码资源。👇👇👇👀名片