前期已分享340多种基础优化算法(【选择自由,免费下载】超340种基础群智能优化算法-Matlab版(截至2024.03.10))。根据“没有免费的午餐”,没有一个单一的群体智能优化算法可以解决所有的优化问题,每一个群体智能优化算法都有局限性和限制。所以很多学者根据自身的专业问题需求,对基础优化算法进行了改进和提升,以期获得更为优秀的性能。将混沌映射方法与优化算法相结合是一种常见的改进方式。前期已经推出用于改进所有优化算法:21种混沌映射方法-混沌初始化(附matlab代码)用法,混沌初始化策略不参与迭代过程。因此,本期推出参数混沌化,算法参数在迭代过程中随着混沌策略不断的更新。
不完全整理了21种常见的混沌映射方法的matlab代码,并将他们运用在算法的参数选择中。具体有:
-
Chebyshev混沌映射
-
Circle 混沌映射
-
Gauss/mouse 混沌映射
-
Iterative 混沌映射
-
Logistic 混沌映射
-
Piecewise 混沌映射
-
Sine 混沌映射
-
Singer 混沌映射
-
Sinusoidal 混沌映射
-
Tent 混沌映射
-
Fuch 混沌映射
-
SPM 混沌映射
-
ICMIC 混沌映射
-
Tent-Logistic-Cosine 混沌映射
-
Sine-Tent-Cosine 混沌映射
-
Logistic-Sine-Cosine 混沌映射
-
Henon 混沌映射
-
Cubic 混沌映射
-
Logistic-Tent 混沌映射
-
Bernoulli 混沌映射
-
Kent 混沌映射
将它们运用到算法参数选择中。该策略适用于一些有参数需要迭代更新的,典型的算法比如:灰狼优化算法GWO和哈里斯鹰优化算法HHO。
GWO的探索和开发转换参数:
a取值在[0,2]之间,是一个随迭次次数变换的线性递减的参数。
类似地,HHO的转换参数:
因此,可以利用混沌映射来改变a和E的值。
21种混沌映射方法分布图
GWO和21种改进的GWO对比
HHO和21种改进的HHO对比