Существует ряд задач математического моделирования, при решении которых возникает необходимость найти точку максимума или минимума некоторой функции многих переменных. Например, это обучение нейронных сетей, идентификация параметров математических моделей по экспериментальным данным, нахождение оптимального управления для этих моделей. Для быстрого нахождения точки экстремума разработано множество популяционных алгоритмов оптимизации (алгоритм роя частиц (PSO), генетический алгоритм и другие). В работе предложена модификация алгоритма роя частиц, основанная на методе анализа иерархий. Схема разработанного алгоритма инспирирована поведением пресноводных гидр, поэтому авторы предлагают назвать его Н-алгоритмом. Выполнены последовательная и параллельная (коалгоритмическая) гибридизация разработанного алгоритма с генетическим алгоритмом, использующим вещественное кодирование (RGA). Для рассмотренных алгоритмов реализована высокоуровневая гибридизация вложением, при которой в окрестности особи с наилучшим значением целевой функции осуществляется локальный поиск с помощью метода сопряженных градиентов (обучение лидера). Сравнение скорости сходимости рассматриваемых методов выполнялось на примере различных многоэкстремальных тестовых функций (функция Розенброка, Дэвиса, Экли, Расстригина). Базовые алгоритмы PSO, RGA и H-алгоритм для различных тестовых функций показали различную, но в среднем одинаковую скорость сходимости. Обучение лидера существенно повысило скорость сходимости всех алгоритмов. Наилучшие результаты по скорости сходимости показали параллельная и последовательная гибридизация алгоритма RGA и H-алгоритма.