【效果突出】优化改进策略：21种混沌映射方法（自由切换）-参数混沌化，改进GWO和HHO，可用于其他优化算法（附matlab代码）

已于 2024-03-21 15:17:16 修改
阅读量999 收藏 11
点赞数 20
分类专栏： 智能优化算法 文章标签： 算法 matlab 开发语言
于 2024-03-21 10:15:35 首次发布
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/weixin_44028734/article/details/136900446
版权
本文介绍了如何通过结合21种常见的混沌映射方法改进基础优化算法，如GWO和HHO，实现参数混沌化。这些混沌映射策略在迭代过程中动态调整算法参数，以提升优化性能。Matlab代码提供下载，展示了混沌映射在优化算法中的应用效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 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：

  1. Chebyshev混沌映射

  2. Circle 混沌映射

  3. Gauss/mouse 混沌映射

  4. Iterative 混沌映射

  5. Logistic 混沌映射

  6. Piecewise 混沌映射

  7. Sine 混沌映射

  8. Singer 混沌映射

  9. Sinusoidal 混沌映射

  10. Tent 混沌映射

  11. Fuch 混沌映射

  12. SPM 混沌映射

  13. ICMIC 混沌映射

  14. Tent-Logistic-Cosine 混沌映射

  15. Sine-Tent-Cosine 混沌映射

  16. Logistic-Sine-Cosine 混沌映射

  17. Henon 混沌映射

  18. Cubic 混沌映射

  19. Logistic-Tent 混沌映射

  20. Bernoulli 混沌映射

  21. 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：

图片

图片

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：

图片

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 

 

 GWO、HHO、CGWO、CHHO对比

Matlab代码下载：
【效果突出】优化改进策略：21种混沌映射方法-参数混沌化（附matlab代码）

MATLAB算法实战应用案例精讲-【智能优化算法】哈里斯鹰（HHO）（附matlab代码实现）
qq_36130719的博客
04-19 1682
哈里斯鹰算法(Harris Hawks Optimizer，HHO)是由Heidari、Mirjalili等人于2019年提出的一种元启发式算法。从算法行为的角度来看，HHO有几个有效的功能：1、逃逸能量参数具有动态随机时变性质，可以进一步改善和协调HHO的探索性和开发性模式。这一因素也支持HHO在勘探和开采之间平稳过渡。2、关于鹰平均位置的不同探索机制可以增加HHO在整个初始迭代中的探索趋势。3、具有短长度跳跃的基于 LF 的各种模式丰富了 HHO 在指导本地搜索时的剥削行为。
一种多策略改进鲸鱼优化算法的混沌系统参数辨识
fzq0625的博客
05-02 83
针对混沌系统参数辨识精度不高的问题，以鲸鱼优化算法(whale optimization algorithm，WOA)为基础，提出一种多策略改进鲸鱼优化算法(multi-strategy improved whale optimization algorithm，MIWOA)。采用Chebyshev混沌映射选取高质量初始种群，采用非线性收敛因子和自适应权重，提高算法收敛速度，为了避免算法陷入局部最优，动态选择自适应t分布或蚁狮优化算法更新后期位置，提高处理局部极值的能力。
优化算法改进策略：21种混沌映射方法-混沌初始化（附matlab代码）
weixin_44028734的博客
03-03 6796
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。本期，并将21种混沌映射方法运用在算法的初始化中。
改进型Sine混沌映射（含MATLAB代码）
IT猿手
04-25 4599
一、改进型Sine混沌 参考文献：蒋东华,刘立东,陈颖频,王兴元,孙珂.基于分数阶Chen超混沌系统和压缩感知的可视化图像加密算法[J/OL].小型微型计算机系统2022:1-9 由于传统的一维Sine混沌映射迭代产生的序列在相空间上分布不均匀，同时其处于混沌状态的参数空间较窄。改进型Sine混沌映射如下： 二、数值实验 当u=1500时，d(1)=rand，e(1)=rand 时： close all clear clc T=5000; d=zeros(1,T); e=zeros(1,T); w=zer
改进型Chebyshev混沌映射（含MATLAB代码）
IT猿手
06-13 2629
混沌映射是生成混沌序列的一种方法,常见的混沌映射方式有 Logistic映射、Tent映射、Circle映射,文献[1]提出一种改进型Chebyshev混沌映射。 由此可以看出，改进型Chebyshev混沌映射值分布在[-1,1]之间，混沌直方图呈现两端高，中间低的现象。 参考文献： [1]顾敬民,洪文晓,梁涛.一种改进型Chebyshev混沌序列及其性能分析[J].军事通信技术,2006,27(01):43-46....
【智能算法改进】混沌映射策略--一网打尽
Logic_9527的博客
03-28 2921
基本种群初始化是在整个空间内随机分布，具有较高的随机性和分布不均匀性，会导致种群多样性缺乏，搜索效率低等问题。许多学者利用混沌映射机制来增加种群的多样性，以改善算法的性能，其非线性特性和周期性质使得它能够生成更复杂、更随机的序列，有助于增加种群的多样性，避免种群陷入局部最优解。
【智能算法改进】融合多策略改进的哈里斯鹰优化算法
Logic_9527的博客
07-14 1314
HHO原更新方式过于依赖当前种群,不能确保完整地搜索到最优解空间区域。[1] 曹泽轩,王晓峰,谢志新,等.融合多策略改进的哈里斯鹰优化算法[J].郑州大学学报(理学版),2023,55(06):22-28.在 HHO 算法迭代后期,多个个体容易聚集,导致陷入局部最优的风险增大。
多策略改进灰狼算法（MELGWO）和GWO跑CEC2005
2301_82017165的博客
01-20 505
可对比和二次开发，这些策略可推广到其它算法，该论文为中科院sci一区top论文，具有很大的参考价值。改进策略提升现有灰狼优化(GWO)算法的性能。并在CEC2005测试集验证。多策略改进灰狼算法（MELGWO）和GWO跑CEC2005。4、线性种群规模缩减（LPSR）技术。2、进化算子更新方式。3、随机局部搜索技术。
麻雀优化算法SSA及其改进策略
m0_61363749的博客
11-10 1万+
本文罗列常见改进策略，并将其应用于麻雀优化算法（SSA）的改进上，并对比改进后的效果。
融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法
qq_61890005的博客
07-01 212
针对哈里斯鹰优化算法(Harris Hawks optimization, HHO)易早熟收敛、寻优精度低、收敛速度慢等问题，提出一种融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法（improved Harris Hawks optimization, IHHO）。首先，初始化阶段引入Circle混沌映射，提高初始化种群多样性和种群位置质量；其次，引入Sigmoid非线性收敛因子，平衡全局探索和局部开发能力；
独家发布！12种灰狼优化算法（GWO）变体的改进策略学习！
2301_82017165的博客
03-14 1747
12种灰狼优化算法（GWO）变体的改进策略学习！改进的算法代码已详细注释改进点并附带相应的参考文献PDF，便于读者结合文献学习代码。将这些改进版本在CEC2005上面运行比较，读者如需要特定算法的可以后台留言。
改进策略：21种混沌映射方法-混沌初始化（附matlab代码）
热门推荐
weixin_44028734的博客
03-02 1万+
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。本期，并将他们运用在算法的初始化中。。Chebyshev 混沌映射原理简单，是常用的混沌映射之一。a阶Chebyshev混沌映射表达式为：其中a通常取值为4。混沌轨道状态值范围为（-1，1）。Circle混沌映射有着随机性，均匀性和有序性等特点。Circle映射可表示为：其中，a，b为控制参数，常用的取值为0.5和0.2，mod为求余函数。混沌轨道状态值范围为（0，1）。
可改进所有优化算法：21种混沌映射方法（自由切换）-参数初始化，以2024年一区算法牛顿拉夫逊算法NRBO为例（附matlab代码）
weixin_44028734的博客
03-21 3456
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。本期，并将他们运用在算法的初始化中。。Chebyshev 混沌映射原理简单，是常用的混沌映射之一。a阶Chebyshev混沌映射表达式为：其中a通常取值为4。混沌轨道状态值范围为（-1，1）。Circle混沌映射有着随机性，均匀性和有序性等特点。Circle映射可表示为：其中，a，b为控制参数，常用的取值为0.5和0.2，mod为求余函数。混沌轨道状态值范围为（0，1）。
改进型二维Logistic混沌映射（含MATLAB代码）
IT猿手
06-13 5702
混沌映射是生成混沌序列的一种方法,常见的混沌映射方式有 Logistic映射、Tent映射、Circle映射,文献[1]提出一种改进型二维Logistic混沌映射。 [1]方鹏飞,黄陆光,娄苗苗,蒋昆.基于二维Logistic混沌映射与DNA序列运算的图像加密算法[J].中国科技论文,2021,16(03):247-252.......
改进型Hénon混沌映射（含MATLAB代码）
IT猿手
06-13 2594
混沌映射是生成混沌序列的一种方法,常见的混沌映射方式有 Logistic映射、Tent映射、Circle映射,文献[1]提出一种改进型Hénon混沌映射： 由此可以看出x混沌值处于[-1.915,2.269]之间，y混沌值处于[-1.341,1.589]之间。 参考文献： [1]李家标,曾以成,陈仕必,陈家胜.改进型Hénon映射生成混沌伪随机序列及性能分析[J].物理学报,2011,60(06):...
【BP预测】基于Logistic混沌映射改进麻雀算法改进BP神经网络实现数据预测
Matlab_dashi的博客
09-23 670
一、 BP神经网络预测算法简介 1.1 神经网络的结构 神经网络的网络结构由输入层，隐含层，输出层组成。隐含层的个数+输出层的个数=神经网络的层数，也就是说神经网络的层数不包括输入层。下面是一个三层的神经网络，包含了两层隐含层，一个输出层。其中第一层隐含层的节点数为3，第二层的节点数为2，输出层的节点数为1；输入层为样本的两个特征X1,X2. 图1 三层神经网络 在神经网络中每一个节点的都与上一层的所有节点相连，称为全连接。神经网络的上一层输出的数据是下一层的输入数据。在图中的神经网络中，...
【BP回归预测】基于matlab Tent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 1707期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
02-12 2583
Tent混沌映射改进的麻雀算法优化BP神经网络回归预测 完整代码和数据，数据可直接替换，适合小白！可提供运行操作视频！
代码随想录算法训练营Day31 | 56. 合并区间 738.单调递增的数字
最新发布
m0_74154872的博客
04-26 234
一个不重叠的区间数组，该数组需恰好覆盖输入中的所有区间。表示若干个区间的集合，其中单个区间为。请你合并所有重叠的区间，并返回。当且仅当每个相邻位数上的数字。的最大数字，且数字呈。时，我们称这个整数是。
基于自适应混沌映射的图像加密
02-23
### 基于自适应混沌映射的图像加密算法原理 基于自适应混沌映射的图像加密方法利用了混沌系统的不可预测性和敏感依赖初始条件的特点来增强安全性。这类方法通常涉及以下几个方面： - **初始化参数设置**：选择合适的混沌映射函数及其对应的控制参数作为密钥的一部分，这些参数决定了后续生成伪随机数列的方式。 - **像素位置置乱**：通过对原始图像中各像素的位置按照一定规则重新排列，使得相邻像素之间的关系被打乱，从而破坏原有统计特性并提高抗攻击能力[^1]。 - **像素值替换**：采用特定方式改变每一个像素的颜色强度值（灰度等级），这一步骤同样依据由选定的混沌模型产生的序列来进行操作，确保变换过程具有高度复杂性与不确定性[^3]。 - **自适应调整机制**：在整个加/解密过程中动态调节某些影响因素，比如迭代次数、映射区间边界等，使整个方案更加灵活多变难以被破解者掌握规律[^4]。 具体而言，在实际编码时会先读取待处理的目标文件，并将其转化为适合计算机内部表示形式的数据结构；接着执行上述提到的各项处理步骤直至完成最终输出。值得注意的是，由于不同应用场景下可能存在的特殊需求差异较大，因此还需要针对具体情况做出适当优化改进措施以满足预期效果的要求。 #### 实现示例 下面给出一段简单的MATLAB代码片段用于展示如何运用一维Logistic映射实现基本功能框架下的图像加密流程： ```matlab function encryptedImage = logisticEncrypt(image, key) % 参数设定 r = key; % 控制参数r范围一般设为(3.57,4)，这里简化直接用key代替 % 获取图像尺寸 [rows, cols] = size(image); % 初始化混沌序列 x0 = rand(); % 初始值选取任意一个小于1大于0的小数 chaoticSeq = zeros(rows * cols, 1); for i = 1:(rows * cols) x0 = r * x0 * (1 - x0); chaoticSeq(i) = floor(mod(x0 * 256, 256)); % 将浮点型转换成整数型且限定在[0,255] end % 加密操作 flatImg = double(reshape(image', [], 1)); encryptedFlatImg = bitxor(flatImg, round(chaoticSeq)); % 对应位异或运算达到混淆目的 % 返回结果 encryptedImage = reshape(uint8(encryptedFlatImg), cols, rows)'; end ``` 此段程序实现了最基本的基于Logistic映射的图像加密逻辑，其中`logisticEncrypt()`接收一幅输入图像以及一个代表混沌系统控制因子的关键数值作为入口参数，经过一系列计算之后返回已加密版本的结果对象。当然这只是非常基础的概念验证性质的例子而已，在真实项目里往往还需考虑更多细节问题如效率提升、鲁棒性加强等方面的工作。
评论
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