【Matlab群体智能算法第五期】基于改进Tent混沌映射的ITPSO算法（含完整matlab代码）

最新推荐文章于 2024-04-24 21:10:35 发布

无敌柚子精

最新推荐文章于 2024-04-24 21:10:35 发布

阅读量1.6k

点赞数 8

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/hbdlhy/article/details/134430774

版权

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：

$z_{k+1}=\left\{\begin{matrix} 2*(z_{k}+0.1*rand(0,1)), if0\leq z_{k}< 0.5 \\ 2-2*(z_{k}+0.1*rand(0,1)), if0.5\leq z_{k}\leq 1\end{matrix}\right.$

其中，k表示映射次数， $z_{k}$ 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）

【Matlab群体智能算法第五期】基于改进Tent混沌映射的ITPSO算法（含完整matlab代码）

“相关推荐”对你有帮助么？