【Matlab群体智能算法第七期】基于改进Sine混沌映射的ISPSO算法（含完整matlab代码）

于 2023-11-26 13:59:06 发布
阅读量737 收藏 5
点赞数 10
文章标签： matlab 开发语言 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hbdlhy/article/details/134626435
版权
文章介绍了使用改进的Sine混沌映射策略优化粒子群优化算法(ISPSO)，并通过与传统PSO和基于Sine的PSO对比，展示了其在求解精度和稳定性上的优势，尤其是在高维问题中。然而，当维度较低时，ISPSO的表现不如Sine-PSO。
摘要由CSDN通过智能技术生成

0.引言

        在第六期中作者介绍了基于Sine混沌映射的改进粒子群优化算法，对Sine混沌映射及相关matlab代码进行分享，并根据目标函数，对SIne-PSO算法与传统PSO算法进行对比，得出采用Sine混沌映射的PSO算法具有更好的求解精度及稳定性。然而尽管SIne混沌映射能够在上述对比中取得较好的结果，但其仍具有概率密度分布不均的缺点。因此，本文参照文献[1]，利用改进的Sine混沌映射策略作为PSO算法的种群初始化改进策略。

1.改进SIne混沌映射策略原理及matlab代码

        由于SIne混沌映射存在概率密度分布不均的缺点，因此采用改进的Sine策略作为PSO算法种群初始化手段，使混沌映射空间遍历性更好，种群更加多样。改进后的Sine混沌映射策略如下：

a_{i+1}=sine(k\pi a_{i})

b_{i+1}=sine(k\pi b_{i})

y_{i+1}=mod((a_{i+1}+b_{i+1}),1 )

式中：a_{i}、b_{i}取值范围为（0,1）；k为控制参数，取值1200；y_{i+1}为迭代混沌序列值；mod(b,1)表示对b取1的余数。

        根据上述公式，matlab代码如下：

%改进sine混沌映射
function best_x=Isine_int(D,Lb,Ub)
k=1200;%控制参数
ax=rand();%随机参数
bx=rand();%随机参数
for L=2:D+1
    ax(1,L)=sin(k*pi*ax(1,L-1));
    bx(1,L)=sin(k*pi*bx(1,L-1));
    x_sine(1,L-1)=mod((ax(1,L)+bx(1,L)),1);%迭代的混沌序列值
    
end
    %将改进后的sine混沌序列映射至解空间
    best_x=Lb+x_sine.*(Ub-Lb);
end

2.基于改进Sine混沌映射策略的ISPSO优化算法

        文章第1节中已经对改进Sine混沌映射策略的原理及matlab代码进行了相应的讲解及复现，现将改进Sine混沌映射策略与传统PSO算法、基于Sine的PSO算法相结合，并基于相应目标函数进行求解，以验证改进PSO算法的可行性，具体matlab代码如下：

%% 基于ISine混沌映射的改进粒子群算法主程序
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.*ones(1,D);%种群解的下限
Ub=100.*ones(1,D);%种群解的上限
Vmax=1.*ones(1,D);%速度上限
Vmin=-1.*ones(1,D);%速度下限
a=0.5;%Tent混沌系数，0~1之间
Best_f=[];pop=[];
%% 基于ISine混沌映射的种群初始化
for L=1:N
    pop(L,:)=Isine_int(D,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ISine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1-5期测试函数相同，此处不再赘述。

        根据上述目标函数，基于ISine改进的PSO算法适应度曲线如下：

图1 基于ISine-PSO算法的适应度迭代曲线（粒子维度为3）

图2 标准粒子群算法适应度曲线（粒子维度为3）

        根据上述对比可知，采用ISIne混沌映射策略后，能够获得更好的初始解，解的质量更高，有助于PSO算法更快的实现收敛，并获取更好的求解精度。为了验证基于ISIne混沌映射粒子群算法的求解稳定性，分别对该目标函数求解10次，并分别记录10次中目标函数最小值、最大值及均值。运行结果如下所示：

粒子维度3
运行次数标准粒子群算法Sine-PSOISine-PSO
10.08317.43E-312.30E-30
20.05475.55E-325.72E-28
30.02942.23E-297.30E-31
40.01191.23E-322.92E-29
50.04773.18E-296.17E-27
60.03991.39E-313.06E-30
70.04599.76E-294.19E-31
80.02352.13E-299.33E-30
90.00435.18E-314.63E-30
100.05327.53E-297.27E-27
均值0.039362.49776E-291.40588E-27
最小值0.00431.2326E-324.19082E-31
最大值0.08319.76339E-297.26677E-27

        根据上述结果能够发现，尽管采用ISine算法后，PSO算法能够具有较好的提升，但与Sine混沌映射相比，当粒子维度为3时，ISine算法改进的PSO算法解的精度及稳定性反而有所降低。为了进一步对比二者的求解情况，分别对该测试函数进行粒子维度为5、10、50及100情况下适应度函数对比情况，具体结果如下：

        粒子维度5时二者适应度值对比情况：

粒子维度5
运行次数Sine-PSOISine-PSO
11.62E-221.52E-21
21.03E-222.01E-22
37.04E-254.74E-24
44.27E-211.05E-23
55.66E-225.89E-23
64.82E-234.93E-24
77.58E-254.02E-23
81.32E-259.18E-23
92.91E-235.71E-22
102.79E-224.15E-22
均值5.46339E-222.91637E-22
最小值1.31822E-254.74013E-24
最大值4.27388E-211.51773E-21

        粒子维度为10时，二者适应度函数的对比情况：

粒子维度10
运行次数ISine-PSOSine-PSO
12.15E-051.01E-06
27.47E-073.68E-09
32.25E-050.000205002
41.37E-057.03E-05
56.15E-062.19E-07
62.84E-054.47E-10
73.79E-062.93E-09
82.83E-058.94E-09
94.49E-092.84E-06
104.29E-064.63E-06
均值1.29349E-052.84036E-05
最小值4.49273E-094.47233E-10
最大值2.84421E-050.000205002

        粒子维度为50时，二者适应度函数的对比情况：

粒子维度50
运行次数ISine-PSOSine-PSO
13.7166151354.65689791
23.1262072754.053907075
32.1705339575.942409671
42.2635325912.69338274
53.7000107862.92443506
62.0672826833.562016503
73.24877180519803.65408
82.372561345.317398751
93.4169308649907.125206
104.2920956845.882953292
均值3.0374542122974.581269
最小值2.0672826832.69338274
最大值4.29209568419803.65408

        粒子维度为100时，二者适应度函数的对比情况：

粒子维度100
运行次数ISinePSOSine-PSO
131.308838610045.23924
230.5765912110039.88843
327.53145305288.447776
435.8015407183.8666929
544.2160825319938.62958
630.8993146710045.64049
734.4213067510021.72415
833.42632033738.2758468
929.05607031355.0614265
1030.6526960710011.66353
均值32.789021427166.843716
最小值27.53145305183.8666929
最大值44.2160825319938.62958

        根据上述结果可知，当粒子维度为3时ISine-PSO算法求解能力弱于Sine-PSO算法，但随着粒子维度的增加ISine-PSO算法的求解稳定性及优越性更加突出，以粒子维度为100时为例，采用ISine混沌映射策略的PSO算法适应度函数值明显优于Sine-PSO算法，且领先幅度较大。而当粒子维度为50时，Sine-PSO算法在多数求解过程中与ISine-PSO算法差距不打，但存在某几次时适应度函数较大的情况，这可能与上述Sine混沌光映射的缺点有关，导致在迭代次数500次的情况下Sine-PSO算法没能够找到较好的精确解，且该情况随着粒子维度的增加变得更加明显。

3.总结

        根据第2节中的仿真结果可知，Sine-PSO算法在地位空间中具有较好的求解性能，但随着粒子解维度的逐渐提升，Sine混沌映射策略本身的缺点被逐渐放大，从而导致无法获取较好的精确解。而ISine混沌映射策略能够更好的处理高维粒子优化求解问题，当粒子维度逐渐升高时，依旧能够获取较好的初始解及精确解。

        限于作者水平有限，上述文章在复现过程中可能存在不足，欢迎大家批评指正。本文在写作过程中Sine混沌映射原理参照下述文献进行，在此对该文献作者进行感谢，若有侵权，请联系我进行修改删除。参考文献如下：

[1]刘磊;姜博文;周恒扬;浦晨玮;钱鹏飞;刘波. 融合改进Sine混沌映射的新型粒子群优化算法 [J]. 西安交通大学学报, 2023, 57 (08): 182-193.

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）_粒子群算法示意图-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

【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）-CSDN博客

【Matlab群体智能算法第六期】基于Sine混沌映射的SPSO算法（含完整matlab代码）-CSDN博客

无敌柚子精
关注
  • 10
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
粒子群算法（带约束处理）——Python&Matlab实现
weixin_46039719的博客
01-11 1万+
目录 1 概述 1.1 智能优化算法 1.2 群智能算法 2 粒子群算法 2.1 概念 2.1.1 粒子群优化算法思想 2.1.2 更新规则 2.1.3 惩罚项 2.2 程序框图 2.2.1 伪代码 2.2.2 程序框图​ 3 案例 4 代码实现：Python&Matlab 4.1 Python实现 4.1.1 代码 4.1.2结果 4.2 Matlab实现 4.2.1 代码 4.2.2 结果 4.2.3 结果分析 5 参考 1 概...
智能优化算法之粒子群算法（PSO）的实现（Python附源码）
weixin_42051846的博客
01-13 6059
使用Python编程语言实现粒子群算法用于优化问题的求解，分别从实现思路、算法步骤以及实例这三个部分展开介绍，附源码，操作简单，适合新手学习。
PSO：粒子群优化算法【概念||对比||代码】
#仙女不扎马尾#的博客
04-29 1061
文章目录1 概念2 粒子群算法分析2.1 问题抽象2.2 更新规则3 粒子群算法的流程图和伪代码4 举个例子5 代码 1 概念        粒子群优化算法PSO：Particle swarm optimization 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解．   PSO的优势：优化一些简单、容易实现、参数不多的调
PSO(最详细的粒子群优化算法）详解（附带Java实现代码）
Teletele's Blog
05-13 5119
算法简介 起源   粒子群优化算法(Particle Swarm Optimization，简称PSO)，是1995年Eberhart博士和Kennedy博士一起提出的，粒子群算法是通过模拟鸟群捕食行为设计的一种群智能算法。 简介   区域内有大大小小不同的食物源，鸟群的任务是找到最大的食物源（全局最优解），鸟群的任务是找到这个食物源。鸟群在整个搜寻的过程中，通过相互传递各自位置的信息，让其他的鸟知道食物源的位置最终，整个鸟群都能聚集在食物源周围，即我们所说的找到了最优解，问题收敛。 特点   通过群体中个
github代码分析——PSO粒子群优化算法代码（python）
#仙女不扎马尾#的博客
05-01 3239
文章目录1 readme阅读2 代码 本篇博文是建立在阅读Gao老师的repository代码之上，老规矩，分享转发，请老师收下我的膝盖！ repository的地址： https://github.com/EddyGao/PSO 1 readme阅读         粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。 &nb
基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
05-23
本文将详细讲解基于Sine混沌映射改进的麻雀搜索算法（SSA）优化的BP神经网络在回归预测中的应用，以及如何利用MATLAB软件进行实现。首先，我们需要理解几个核心概念。 **Sine混沌映射**：混沌映射是一种非线性动力...
Logistic映射、Circle映射、Sine映射、siner映射、cubic映射优化算法混沌初始化附matlab代码
06-30
**1.1 改进智能优化算法方面（单目标和多目标）** **1.2 生产调度方面** 1.2.1 装配线调度研究 1.2.2 车间调度研究 1.2.3 生产线平衡研究 1.2.4 水库梯度调度研究 **1.3 路径规划方面** 1.3.1 旅行商问题研究...
【BP回归预测】sine混沌映射改进的麻雀算法优化BP神经网络回归预测【含Matlab源码 1666期】.zip
09-10
CSDN海神之光上传的全部代码均可运行，亲测可用，直接换数据就行，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若...
【BP预测】基于sine混沌映射改进的麻雀搜索算法优化BP神经网络实现数据预测模型附matlab代码.rar
最新发布
08-09
5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释...
【BP回归预测】 sine混沌映射改进的麻雀算法优化BP神经网络回归预测【含Matlab源码 1666期】.zip
06-23
Matlab领域上传的全部代码均可运行，亲测可用，尽我所能，为你服务； 1、代码压缩包内容 主函数：ga_2d_box_packing_test_task.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b...
综合学习的粒子群优化算法(CLPSO)(附MATLAB代码)
weixin_44207499的博客
06-26 4057
综合学习的粒子群优化算法(CLPSO)(附MATLAB代码) 简要分析了clpso算法的实现原理
粒子群算法及其改进算法
热门推荐
weixin_45307421的博客
07-01 3万+
标准粒子群算法及其改进算法 首先在这里介绍一下，这个里主要介绍粒子群算法以及一个改进的二阶振荡粒子群算法。 原理 粒子群优化（PSO）算法是Kennedy和Eberhart受 鸟群群体运动的启发于1995年提出的一种新的群智能优化算法[1]。大概的意思就是一片森林里有一群鸟在找一块食物，它们不知道食物具体在哪，但是可以通过感官（例如嗅觉）去察觉到自己当前位置距离食物的远近。鸟可以记住自己走过的位置...
基于Matlab实现粒子群（PSO）算法案例（附上20个案例源码）
m0_62143653的博客
04-10 2万+
基于Matlab实现粒子群（PSO）算法案例（附上20个案例源码）
基于改进莱维飞行和混沌映射的粒子群算法（10种混沌映射随意切换），附matlab代码
woaipythonmeme的博客
07-03 4110
“本篇文章对粒子群优化算法进行改进，首先通过引入混沌映射机制，对其群体进行初始化，增加粒子群个体的多样性；然后在粒子群个体的位置更新公式上引入改进的莱维飞行机制，提高搜索精度，帮助粒子群个体跳出局部最优。”可以选择1-10不同的映射，1-10分别为，tent、Logistic、Cubic、chebyshev、Piecewise、sinusoidal、Sine,ICMIC, Circle,Bern...
粒子群优化算法（PSO）
ziyi_mi的博客
12-03 7085
一、算法基本流程 1.1算法概述 粒子群优化（PSO, particle swarm optimization）算法是计算智能领域，除了蚁群算法，鱼群算法之外的一种群体智能的优化算法，该算法最早由Kennedy和Eberhart在1995年提出的，该算法源自对鸟类捕食问题的研究。 算法步骤： （1）初始化所有的微粒，包括它们的位置和速度，把个体的历史最优pBest设为当前位置，群体的最优...
基于混沌映射的粒子群算法
weixin_52026057的博客
02-27 5205
混沌映射是一类具有高度复杂性和随机性质的非线性动力系统，它具有敏感依赖于初值和参数的特点，可以产生看似无规律的运动轨迹。基于混沌映射的粒子群算法（Chaotic Particle Swarm Optimization，CPSO）则是利用混沌映射的这种随机性质，来增强粒子群算法的全局搜索能力。 CPSO算法与传统粒子群算法的主要区别在于，它使用混沌映射生成随机数序列来代替传统粒子群算法中使用的伪随机数序列，以增加算法的随机性和多样性。
融合改进Sine混沌映射的新型粒子群优化算法(NIPSO)-附代码
Jack旭的博客
05-27 3935
摘要：为了应对传统粒子群算法（PSO）存在的初始位置不均匀、易达到局部最优、搜索精度不高等问题，提出了一种基于改进Sine混沌映射的新型PSO算法。采用一种改进的Sine混沌映射技术代替传统的伪随机数方法生成初始粒子种群，以丰富种群的多样性。在原始基本位置更新公式的基础上增加两种新的位置更新机制，并分别引入一个高斯变异算子实现算法勘探性能和开发性能之间的动态平衡以及在迭代过程中使粒子有效跳出局部最优。
【优化选址】基于matlab粒子群算法求解充电站规划优化问题【含Matlab源码 664期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
04-01 3768
粒子群算法求解充电站规划优化问题 完整的代码，方可运行；可提供运行操作视频！适合小白！
混沌映射改进粒子群算法比较分析
m0_56830805的博客
10-03 886
摘 要：为了解决粒子群算法(Particle Swarm Optimization，PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题，故而提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征，基于六种混沌映射对粒子群算法分别进行初始化，进而增加种群多样性和解的覆盖，接着引入动态惯性权重系数，提高算法收敛速度。本文通过六个测试函数进行仿真实验，对不同混沌映射数据结果进行分析比较，实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。 关
Sine混沌映射优化麻雀算法改进BP神经网络
07-11
Sine混沌映射优化麻雀算法改进BP神经网络是一种将混沌映射和麻雀算法应用于BP神经网络训练的方法，下面将介绍其基本思想和步骤。 1. BP神经网络简介：BP神经网络是一种常用的前向反馈人工神经网络，可以用于解决分类、回归等问题。但是，BP神经网络的训练过程中容易陷入局部最优解，训练速度较慢。 2. 混沌映射简介：混沌映射是一类具有随机性和确定性的非线性动力学系统，具有高度敏感性和无周期性。Sine混沌映射是一种常见的混沌映射模型。 3. 麻雀算法简介：麻雀算法是一种基于麻雀群体行为的优化算法，模拟了麻雀觅食的过程，具有较好的全局搜索能力和收敛速度。 4. Sine混沌映射优化麻雀算法改进BP神经网络的步骤： a. 初始化BP神经网络的权重和偏置。 b. 生成初始种群：使用Sine混沌映射生成初始种群，每个个体表示一组BP神经网络的权重和偏置。 c. 麻雀算法搜索：利用麻雀算法，根据适应度函数评估个体的优劣，通过迭代搜索找到适应度较好的个体。 d. 权重和偏置更新：根据麻雀算法搜索得到的个体，更新BP神经网络的权重和偏置。 e. 训练BP神经网络：使用更新后的权重和偏置，对BP神经网络进行训练，通过反向传播算法进行权重和偏置的调整。 f. 评估性能：根据训练结果，评估BP神经网络在测试数据上的性能指标，如准确率、均方误差等。 g. 终止条件判断：根据预设的终止条件（如达到最大迭代次数或满足收敛要求），决定是否结束训练过程。 通过将Sine混沌映射和麻雀算法结合应用于BP神经网络的训练过程中，可以提高BP神经网络的全局搜索能力和收敛速度，进而改进了BP神经网络的性能。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值