0.前言
在第三期中,文章对基于Tent混沌映射的粒子群算法的原理及matlab代码复现进行讲解,与传统种群初始化方法,Tent能够提升初始种群的多样性及种群解的数量,从而提高算法求解效率。但Tent混沌映射在迭代后期容易衰退为周期序列。
1.改进Tent混沌映射策略原理
为了进一步提升Tent混沌映射策略初始种群解的质量,文献[1]利用改进后的Tent混沌映射进行种群初始化操作,改进后Tent混沌映射如下所示:
其中,k表示映射次数,代表第k次映射的函数值。
根据上述改进后Tent混沌映射公式,相应matlab代码如下:
%基于改进Tent映射的种群初始化
function x_apply = ITent_int(dim,a,Lb,Ub)
x(1,1)=rand(); %初始点
%根据Tent映射函数,生成后续初始种群
for i=1:dim-1
if x(i)<a
x(i+1)=2*(x(i)+0.1*rand);
elseif x(i)>=a
x(i+1)=2*(1-(x(i)+0.1*rand)) ;
end
end
%获取在粒子边界约束内的种群解
x_apply=Lb+x.*(Ub-Lb);
%粒子边界约束检查
I=x_apply<Lb;
x_apply(I)=Lb(I);
U=x_apply>Ub;
x_apply(U)=Ub(U);
end
2.基于改进Tent混沌映射策略的ITPSO粒子群优化算法
文章第一节中已经对改进后Tent策略的原理及matlab代码进行了相应的讲解及复现,现将改进后的Tent混沌映射策略与传统PSO算法相结合,并基于相应目标函数进行求解,以验证改进策略的可行性,具体matlab代码如下:
%% 基于改进Tent混沌映射的ITPSO粒子群算法主程序
clc;
clear all;
close all
%% 算法基本参数设置
c1=2; %学习因子1
c2=2;%学习因子2
w=0.7;%惯性权重
MaxDT=500;%最大迭代次数
D=3;%搜索空间维数(未知数个数)
N=30;%初始化群体个体数目
Lb=[-100,-100,-100];%种群解的下限
Ub=[100,100,100];%种群解的上限
Vmax=[1,1,1];%速度上限
Vmin=[-1,-1,-1];%速度下限
a=0.5;%Tent混沌系数,0~1之间
Best_f=[];pop=[];
%% 基于改进Tent混沌映射的种群初始化
for L=1:N
pop(L,:) = ITent_int(D,a,Lb,Ub);
Best_f(1,L)=fitness_obl(pop(L,:));
end
V=rand(N,D);
%计算各个粒子的适应度值并初始化Pi和Pg
[fitnessgbest bestindex]=min(Best_f);
gbest=pop(bestindex,:);
pbest=pop;
fitnesspbest=Best_f;
%% 粒子群算法更新迭代部分
for i=1:MaxDT
for j=1:N
%种群更新
V(j,:)=w*V(j,:)+c1*rand*(pbest(j,:)-pop(j,:))+c2*rand*(gbest-pop(j,:));
%更新速度边界检查
I=V(j,:)<Vmin;
V(j,I)=Vmin(I);
U=V(j,:)>Vmax;
V(j,U)=Vmax(U);
pop(j,:)=pop(j,:)+V(j,:);
%粒子边界检查
PI=pop(j,:)<Lb;
pop(j,PI)=Lb(PI);
PU=pop(j,:)>Ub;
pop(j,PU)=Ub(PU);
%计算更新后种群的适应度函数值
Best_f(j)=fitness_obl(pop(j,:));
%个体极值更新
if Best_f(j)<fitnesspbest(j)
pbest(j,:)=pop(j,:);
fitnesspbest(j)=Best_f(j);
end
%全局极值更新
if Best_f(j)<fitnessgbest
gbest=pop(j,:);
fitnessgbest=Best_f(j);
end
end
%记录粒子全局最优解
Fgbest(i)=fitnessgbest;
end
%% 结果可视化
figure
plot(Fgbest)
title(['适应度曲线 ' '终止次数=' num2str(MaxDT)]);
xlabel('进化代数');
ylabel('适应度')
为验证改进后算法的求解效果,本文将采用Tent策略改进前后及原始PSO算法寻优结果进行对比,采用测试函数与第1-4期测试函数相同,相关代码见:【Matlab群体智能算法第三期】基于Tent混沌映射的TPSO算法(含完整matlab代码)-CSDN博客
基于上述目标函数,分别运行10次后,记录算法寻优结果的最大值、最小值及均值,已验证改进后算法的求解效率及鲁棒性。取ITPSO算法运行中某次的适应度曲线进行展示,观察算法的求解情况,求解结果如下:
图1 基于改进Tent映射的ITPSO算法迭代曲线
图2 基于Tent映射的TPSO算法迭代曲线
根据上述适应度曲线可知,采用ITent混沌映射策略后,算法在迭代过程中有更好的初始解位置,其收敛至最优解的时间更快,求解效率更高。为进一步明确算法的求解性能,将运行10次后,各算法的适应度值进行展示,结果如下:
运行次数 | 标准粒子群算法 | 基于Tent映射改进后 | 基于ITent映射改进后 |
1 | 0.0831 | 3.71E-29 | 8.94E-31 |
2 | 0.0547 | 5.55E-31 | 4.31E-32 |
3 | 0.0294 | 3.24E-28 | 7.70E-32 |
4 | 0.0119 | 2.26E-28 | 2.51E-30 |
5 | 0.0477 | 1.02E-28 | 8.64E-30 |
6 | 0.0399 | 3.00E-28 | 2.50E-31 |
7 | 0.0459 | 3.73E-29 | 1.34E-28 |
8 | 0.0235 | 8.03E-28 | 6.06E-28 |
9 | 0.0043 | 4.35E-29 | 1.18E-28 |
10 | 0.0532 | 8.26E-30 | 0.00E+00 |
均值 | 0.03936 | 1.88215E-28 | 8.71164E-29 |
最小值 | 0.0043 | 5.54668E-31 | 0 |
最大值 | 0.0831 | 8.03128E-28 | 6.06452E-28 |
从上述结果可知,在优化过程中,改进后的Tent混沌映射策略能够获得更精确的解,其求解过程中的均值、最小值及最大值均优于原始Tent混沌映射策略。而与传统PSO算法相比,TPSO算法及ITPSO算法均具有明显的提升,提高了算法的求解效率及算法的鲁棒性。
3.结语
上述代码均为作者查阅文献学习之余复现总结,限于作者水平有限,相关代码及原理讲解难免存在疏忽之处,若有错误请大家指正,谢谢。
您的关注是我最大的动力,本部分为对第三期内容的更新改进,仅涉及算法种群初始化部分,感谢大家耐心阅读。另,转载请注明出处,请勿以此进行二次售卖。
作者主要更新方向为:
(1)智能算法复现及改进;
(2)微电网/综合能源系统容量配置、优化调度等方向
(3)时间序列预测(机器学习、深度学习方向)
相关参考文献:
[1] 毛清华,杨林,王艳亮.融合改进Tent混沌和模拟退火的灰狼算法[J].数学的实践与认识,2021,51(05):147-161.
往期传送门:
【Matlab群体智能算法第一期】粒子群算法及其变体(一)_matlab群运算-CSDN博客
【Matlab群体智能算法第二期】基于反向学习的改进粒子群算法(含matlab代码)-CSDN博客
【Matlab群体智能算法第三期】基于Tent混沌映射的TPSO算法(含完整matlab代码)-CSDN博客
【Matlab群体智能算法第四期】基于Tent混沌映射、自适应t分布和动态选择策略的TDPSO算法(含完整matlab代码)-CSDN博客