1 简介
针对麻雀搜索算法(SSA)在迭代后期种群多样性减少,易陷入局部最优等难题,提出了一种基于Logistic混沌映射的改进麻雀算法(LCSSA).利用Logistic混沌映射初始化种群,提高了初始解的质量,增加了种群多样性,利用线性递减权重法,降低了群体智能算法容易早熟的风险,避免算法后期容易在全局最优解附近发生振荡现象.依据8个基准函数对改进后算法与改进前算法进行性能对比测试.测试结果表明,LCSSA相较于SSA具有更快的迭代收敛速度,更高寻优精度且兼顾更好的稳定性.
2 部分代码
%% 基于logistic映射的种群初始化子函数
function Positions=logisticInitialization(popsize,dim,ub,lb)
%input：popsize ??种群数量
%? ? ? ? ? ? ?dim? ? ? ? ? ?变量维度
%? ? ? ? ? ? ?ub? ? ? ? ? ? ?变量上限
%? ? ? ? ? ? ?lb? ? ? ? ? ? ? ?变量下限
%return：Positions ?? 生成的初始种群位置
%初始化位置0数组
Positions=zeros(popsize,dim);
%对每个个体，混沌映射产生位置
for i = 1:popsize
? ? value =? Logistic(dim);? %混沌映射序列
? ? Positions(i,:)=value.*(ub-lb)+lb;
? ? %位置越界限制
? ? Positions(i,:)=min(Positions(i,:),ub);? ?%上界调整
? ? Positions(i,:)=max(Positions(i,:),lb);? ? %下界调整
end
end
%混沌映射子函数
function sequence=Logistic(n)
%input：n ?? 混沌序列长度
%return：value ?? 生成的混沌序列
%初始化数组
sequence=zeros(1,n);
sequence(1)=rand; %序列起点
%x0不为(0,0.25,0.5,0.75,1)
while max(sequence(1)==[0 0.25 0.5 0.75 1])==1
? ? sequence(1)=rand;
end
mu =3.8 ;%参数mu范围(0,4)
for i=1:n-1
? ? sequence(i+1)=mu*sequence(i)*(1-sequence(i));
end
end
3 仿真结果
4 参考文献
[1]吴丁杰, 周庆兴, 温立书. 基于Logistic混沌映射的改进麻雀算法[J]. 高师理科学刊, 2021, 41(6):6.
