21种混沌映射方法在优化算法中的应用及MATLAB实现

21种混沌映射方法在优化算法中的应用及MATLAB实现

引用

CSDN

1.

https://blog.csdn.net/weixin_44028734/article/details/136900446

在优化算法领域，"没有免费的午餐"定理指出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。因此，研究者们常常对基础优化算法进行改进和提升。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。本文将介绍21种混沌映射方法，并展示它们在GWO和HHO算法中的应用效果。

混沌映射方法简介

混沌映射方法是一种在优化算法中常用的改进策略，通过引入混沌序列来增强算法的全局搜索能力。以下是21种常见的混沌映射方法：

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

这些混沌映射方法可以应用于算法参数的选择中，特别是对于那些需要迭代更新参数的算法，如灰狼优化算法（GWO）和哈里斯鹰优化算法（HHO）。

应用示例

GWO算法中的应用

在GWO算法中，探索和开发转换参数a的取值范围为[0,2]，且是一个随迭代次数线性递减的参数。通过引入混沌映射，可以改变a的值，从而优化算法性能。

HHO算法中的应用

在HHO算法中，同样存在需要迭代更新的转换参数。通过引入混沌映射，可以改变这些参数的值，以期获得更好的优化效果。

实验结果对比

以下是使用21种混沌映射方法改进GWO和HHO算法后的对比结果：

MATLAB代码下载

为了方便读者进行实践和应用，本文提供了所有21种混沌映射方法的MATLAB代码实现。读者可以通过以下链接下载代码：

【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）