首页 > 编程语言 >【智能算法改进】混沌映射策略--一网打尽

【智能算法改进】混沌映射策略--一网打尽

时间:2024-03-28 23:02:08浏览次数:31  
标签:xk cos 映射 -- 0.5 tag 智能算法 sin

在这里插入图片描述

目录


1.引言

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。

2.混沌映射

Logistic映射

x k + 1 = a x i ( 1 − k i ) (1) x_{k+1}=ax_i(1-k_i)\tag{1} xk+1​=axi​(1−ki​)(1)

Circle映射

x k + 1 = mod ( x k + b − ( a 2 π ) sin ( 2 π x k ) , 1 ) (2) x_{k+1}=\text{mod}\Bigg(x_k+b-\Bigg(\frac{a}{2\pi}\Bigg)\text{sin}\big(2\pi x_k\big),1\Bigg)\tag{2} xk+1​=mod(xk​+b−(2πa​)sin(2πxk​),1)(2)

Chebyshev映射

x k + 1 = cos ⁡ ( a ∗ cos ⁡ − 1 ( x k ) ) (3) x_{k+1}=\cos(a*\cos^{-1}(x_k))\tag{3} xk+1​=cos(a∗cos−1(xk​))(3)

Gauss/mouse映射

x k + 1 = { 0 x k = 0 1 m o d ( x k , 1 ) otherwise (4) x_{k+1}=\begin{cases}\quad0&x_k=0\\\dfrac{1}{\mathrm{mod}(x_k,1)}&\text{otherwise}\end{cases}\tag{4} xk+1​=⎩ ⎧​0mod(xk​,1)1​​xk​=0otherwise​(4)

Piecewise映射

x k + 1 = { x k P 0 ≤ x k < P x k − P 0.5 − P P ≤ x k < 0.5 1 − P − x k 0.5 − P 0.5 ≤ x k < 1 − P 1 − x k P 1 − P ≤ x k < 1 (5) \left.x_{k+1}=\left\{\begin{array}{cc}\frac{x_k}{P}&0\leq x_k<P\\\frac{x_k-P}{0.5-P}&P\leq x_k<0.5\\\frac{1-P-x_k}{0.5-P}&0.5\leq x_k<1-P\\\frac{1-x_k}{P}&1-P\leq x_k<1\end{array}\right.\right.\tag{5} xk+1​=⎩ ⎧​Pxk​​0.5−Pxk​−P​0.5−P1−P−xk​​P1−xk​​​0≤xk​<PP≤xk​<0.50.5≤xk​<1−P1−P≤xk​<1​(5)

Sine映射

x k + 1 = a 4 sin ⁡ ( π x k ) (6) x_{k+1}=\frac a4\sin(\pi x_k)\tag{6} xk+1​=4a​sin(πxk​)(6)

Singer映射

x k + 1 = a ( 7.86 x k − 23.31 x k 2 + 28.75 x k 3 − 13.302875 x k 4 ) (7) x_{k+1}=a\left(7.86x_k-23.31x_k^2+28.75x_k^3-13.302875x_k^4\right)\tag{7} xk+1​=a(7.86xk​−23.31xk2​+28.75xk3​−13.302875xk4​)(7)

Iterative映射

x k + 1 = sin ⁡ ( a π x k ) (8) x_{k+1}=\sin\left(\frac{a\pi}{x_k}\right)\tag{8} xk+1​=sin(xk​aπ​)(8)

Sinusoidal映射

x k + 1 = a x k 2 sin ⁡ ( π x k ) (9) x_{k+1}=ax_k^2\sin(\pi x_k)\tag{9} xk+1​=axk2​sin(πxk​)(9)

Tent映射

x k + 1 = { x k a x k < a   1 − x k 1 − a x k ≥ a (10) x_{k+1}=\begin{cases}\displaystyle\frac{x_k}{a}&x_k<a\\\ \frac{1-x_k}{1-a}&x_k\geq a\end{cases}\tag{10} xk+1​={axk​​ 1−a1−xk​​​xk​<axk​≥a​(10)

Fuch映射

x k + 1 = c o s ( 1 x k 2 ) (11) x_{k+1}=cos\left(\frac{1}{x_k^2}\right)\tag{11} xk+1​=cos(xk2​1​)(11)

SPM映射

x k + 1 = { m o d ( x k η + μ sin ⁡ ( π x k ) + r , 1 ) , 0 ≤ x k < η m o d ( x k / η 0.5 − η + μ sin ⁡ ( π x k ) + r , 1 ) , η ≤ x k < 0.5 m o d ( ( 1 − x k ) / η 0.5 − η + μ sin ⁡ ( π ( 1 − x k ) ) + r , 1 ) , 0.5 ≤ x k < 1 − η m o d ( ( 1 − x k ) η + μ sin ⁡ ( π ( 1 − x k ) ) + r , 1 ) , 1 − η ≤ x k < 1 (12) \left.x_{k+1}=\left\{\begin{array}{c}\mathrm{mod}\left(\frac{x_k}{\eta}+\mu\sin(\pi x_k)+r,1\right),0\leq x_k<\eta\\\\\mathrm{mod}\left(\frac{x_k/\eta}{0.5-\eta}+\mu\sin(\pi x_k)+r,1\right),\eta\leq x_k<0.5\\\\\mathrm{mod}\left(\frac{(1-x_k)/\eta}{0.5-\eta}+\mu\sin(\pi(1-x_k))+r,1\right),0.5\leq x_k<1-\eta\\\\\mathrm{mod}\left(\frac{(1-x_k)}{\eta}+\mu\sin(\pi(1-x_k))+r,1\right),1-\eta\leq x_k<1\end{array}\right.\right.\tag{12} xk+1​=⎩ ⎧​mod(ηxk​​+μsin(πxk​)+r,1),0≤xk​<ηmod(0.5−ηxk​/η​+μsin(πxk​)+r,1),η≤xk​<0.5mod(0.5−η(1−xk​)/η​+μsin(π(1−xk​))+r,1),0.5≤xk​<1−ηmod(η(1−xk​)​+μsin(π(1−xk​))+r,1),1−η≤xk​<1​(12)

ICMIC映射

x k + 1 = sin ⁡ ( a x k ) (13) x_{k+1}=\sin\left(\frac{a}{x_k}\right)\tag{13} xk+1​=sin(xk​a​)(13)

Kent映射

x k + 1 = { − x k / a , 0 < x k ⩽ a ( 1 − x k ) / ( 1 − a ) , a < x k < 1 (14) x_{k+1}=\begin{cases}\phantom{-}x_k/a,&0<x_k\leqslant a\\\left(1-x_k\right)/(1-a),&a<x_k<1\end{cases} \tag{14} xk+1​={−xk​/a,(1−xk​)/(1−a),​0<xk​⩽aa<xk​<1​(14)

Cubic映射

x k + 1 = a x k ( 1 − x k 2 ) (15) x_{k+1}=ax_k\left(1-{x_k}^2\right)\tag{15} xk+1​=axk​(1−xk​2)(15)

Bernoulli映射

x k + 1 = { x k / ( 1 − a ) , x k ∈ ( 0 , 1 − a ] ( x k − 1 + a ) / a , x k ∈ ( 1 − a , 1 ) (16) x_{k+1}=\begin{cases}x_k/(1-a),&x_k\in(0,1-a]\\\left(x_k-1+a\right)/a,&x_k\in(1-a,1)\end{cases}\tag{16} xk+1​={xk​/(1−a),(xk​−1+a)/a,​xk​∈(0,1−a]xk​∈(1−a,1)​(16)

Logistic-Tent映射

x k + 1 = { ( r x k ( 1 − x k ) + ( 4 − r ) x k / 2 ) m o d 1 , x k < 0.5 ( r x k ( 1 − x k ) + ( 4 − r ) ( 1 − x k ) / 2 ) m o d 1 , x k ⩾ 0.5 (17) x_{k+1}=\begin{cases}\left(rx_{k}\left(1-x_{k}\right)+(4-r)x_k/2\right){\mathrm{mod}}1,x_{k}<0.5 \\\left(rx_k\left(1-x_k\right)+\left(4-r\right)\left(1-x_k\right)/2\right){\mathrm{mod}}1,x_k\geqslant0.5\end{cases}\tag{17} xk+1​={(rxk​(1−xk​)+(4−r)xk​/2)mod1,xk​<0.5(rxk​(1−xk​)+(4−r)(1−xk​)/2)mod1,xk​⩾0.5​(17)

Logistic-Tent-Cosine映射

x k + 1 = { cos ⁡ ( π ( 2 r x k + 4 ( 1 − r ) x k ( 1 − x k ) − 0.5 ) ) ,  if  x k < 0.5 cos ⁡ ( π ( 2 r ( 1 − x k ) + 4 ( 1 − r ) x k ( 1 − x k ) − 0.5 ) ) ,  else  (18) x_{k+1}=\begin{cases}\cos(\pi(2rx_k+4(1-r)x_k(1-x_k)-0.5)),\text{ if }x_k<0.5\\\cos(\pi(2r(1-x_k)+4(1-r)x_k(1-x_k)-0.5)),\text{ else }\end{cases}\tag{18} xk+1​={cos(π(2rxk​+4(1−r)xk​(1−xk​)−0.5)), if xk​<0.5cos(π(2r(1−xk​)+4(1−r)xk​(1−xk​)−0.5)), else ​(18)

Sine-Tent-Cosine映射

x k + 1 = { cos ⁡ ( π ( r sin ⁡ ( π x k ) + 2 ( 1 − r ) x k − 0.5 ) ) , if x k < 0.5 cos ⁡ ( π ( r sin ⁡ ( π x k ) + 2 ( 1 − r ) ( 1 − x k ) − 0.5 ) ) , else (19) x_{k+1}=\begin{cases}\cos(\pi(r\sin(\pi x_k)+2(1-r)x_k-0.5)),\text{if} x_k<0.5\\\cos(\pi(r\sin(\pi x_k)+2(1-r)(1-x_k)-0.5)),\text{else}\end{cases}\tag{19} xk+1​={cos(π(rsin(πxk​)+2(1−r)xk​−0.5)),ifxk​<0.5cos(π(rsin(πxk​)+2(1−r)(1−xk​)−0.5)),else​(19)

Logistic-Sine-Cosine映射

x k + 1 = cos ⁡ ( π ( 4 r x k ( 1 − x k ) + ( 1 − r ) sin ⁡ ( π x k ) − 0.5 ) ) (20) x_{k+1}=\cos\Big(\pi\Big(4rx_k\big(1-x_k\big)+(1-r)\sin\big(\pi x_k\big)-0.5\big)\Big)\tag{20} xk+1​=cos(π(4rxk​(1−xk​)+(1−r)sin(πxk​)−0.5))(20)

3.分布特征

在这里插入图片描述
在这里插入图片描述

4.混沌映射函数调用

在这里插入图片描述

5.改进智能算法

混沌映射用于初始化哈里斯鹰算法(HHO),结果如下:
在这里插入图片描述

在这里插入图片描述

标签:xk,cos,映射,--,0.5,tag,智能算法,sin
From: https://blog.csdn.net/Logic_9527/article/details/137091094

相关文章

  • Java之旅:从零到英雄的编程探索
    写给Java刚入门者的一篇文章引言当你踏上学习Java的旅程时,你开始了解世界上最流行和功能强大的编程语言之一。Java不仅在全球IT行业中占据重要地位,还因其跨平台性、强大的社区支持和丰富的应用而受到欢迎。本文旨在为刚入门的Java学习者提供一份全面的指南,帮助你构建坚实......
  • 使用Nginx服务部署一个表白的网站
    表白网站源码链接:https://pan.baidu.com/s/1Y0xKhlCfThaQJkIQU4Zi9w?pwd=erlt 提取码:erlt附上一张样例,这些可DIY修改:下面开始部署吧!  一.注册云服务器,并在安全规则开放80端口设置可访问ip为任意IP即0:0:0:0.这里不在赘述,详情可访问博主上篇详解:CSDN二.配置yum源#配......
  • 【毕业设计】基于SpringBoot 和uniapp的食堂点餐系统
    效果源码下载文档一、概述由于互联网的飞速发展,饭店的点餐也要进行时代化的创新,由以前的人工点餐到现在的系统点单,大大减少了人力资源的利用。总体设计图由于互联网的飞速发展,饭店的点餐也要进行时代化的创新,由以前的人工点餐到现在的系统点单,大大减少了......
  • 安装国产银河麒麟系统(NeoKylin)
    此链接是我安装的版本镜像链接:https://pan.baidu.com/s/1lWuWWrYHocU8MFpFtVCwRQ?pwd=6b9j 提取码:6b9j麒麟软件网址:国产操作系统、麒麟操作系统——麒麟软件官方网站一.创建虚拟机蓝色框框内选项自定义修改到此处就添加完毕啦,下面进行开启虚拟机安装这里可敲回车......
  • 文本数据处理
    文本数据处理情无论巨细,往往存在一个准备阶段。比如做饭炒菜,需要择菜、洗菜、切菜、热锅等准备工作;出远门需要整理好身份证、手机、钱包等随身物品。类似地,在处理文本的任务中,也存在预处理这么一个重要阶段,包括诸如统一数据格式、去噪、词形还原、分词之类的基本操作,以及语义分析......
  • 使用wireshark抓包分析ICMP拼通与不通,IP包分片与不分片,ARP中含对象mac地址与不含时的
    提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、实验环境获取1.获取电脑基本信息2.wireshark版本获取3.拓扑结构4.电脑ip地址、mac地址和掩码获取二、实验步骤一、正常接通实验步骤1.关闭两台电脑的防火墙2.网络配置3.开始抓包三、icm......
  • CSS 空白问题汇总
    元素之间的空白问题行内元素、行内块元素,彼此之间的换行会被浏览器解析为一个空白字符去除换行和空格给父元素font-size:0再给需要显示的元素单独设置大小行内块元素的空白问题行内块元素与文本的基线对齐,基线不是最底端,故有一定的距离解决:给行内元素设置vertical,值......
  • 使用 CSS 布局小技巧
    行内元素、行内块元素,可以被父元素当作文本处理例如:下列可以用于上述元素,text-align,line-height,text-indent如何让子元素,在父亲中水平居中若子元素是块元素,给父元素加上margin:0auto;若子元素是行内元素、行内块元素给父元素加上text-align:center;如何让子元素......
  • VMware创建openEuler OS(欧拉)系统镜像虚拟机
    首先下载openEuler镜像文件,这里附上我使用的镜像版本链接:https://pan.baidu.com/s/1bCW7CGq05wGTM3VG_wks7A?pwd=ux5f 提取码:ux5f此处附上欧拉各版本网站openEuler下载|欧拉系统ISO镜像|openEuler社区官网下面开始安装步骤:蓝色框框内的选项自定义此处就创建好啦......
  • 力扣HOT100热题宝典--第3节
    ......