【智能优化算法】基于融合改进 Logistics 混沌和正弦余弦算子的自适应 t 分布海鸥算法求解单目标优化问题附matlab代码

1 简介

针对基本海鸥算法存在的缺陷，提出一种融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法（ISOA）。首先，采用改进Logistics混沌映射初始化种群，使海鸥更加均匀地分布于初始解空间；其次，在海鸥位置更新方式中引入正弦余弦算子来协调算法的局部搜索和全局搜索，同时加入改进的参数A加快算法收敛速度；然后，引入自适应t分布变异策略，在最优解位置进行扰动变异产生新解，增强算法跳出局部最优的能力；最后，基于8个标准测试函数与3种基本算法进行对比仿真实验，结果表明ISOA与其余3种算法相比，有较强的跳出局部最优能力，收敛速度更快，精度更高。 

 

2 部分代码

function[Score,Position,Convergence]=SOA(Search_Agents,Max_iterations,Lower_bound,Upper_bound,dimension,objective)

Position=zeros(1,dimension);

Score=inf; 

Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);

Convergence=zeros(1,Max_iterations);

l=0;

while l<Max_iterations

    for i=1:size(Positions,1)  

        

        Flag4Upper_bound=Positions(i,:)>Upper_bound;

        Flag4Lower_bound=Positions(i,:)<Lower_bound;

        Positions(i,:)=(Positions(i,:).*(~(Flag4Upper_bound+Flag4Lower_bound)))+Upper_bound.*Flag4Upper_bound+Lower_bound.*Flag4Lower_bound;               

        

        fitness=objective(Positions(i,:));

        

        if fitness<Score 

            Score=fitness; 

            Position=Positions(i,:);

        end

        

    end

    

    

    Fc=2-l*((2)/Max_iterations); 

    

    for i=1:size(Positions,1)

        for j=1:size(Positions,2)     

                       

            r1=rand(); 

            r2=rand(); 

            

            A1=2*Fc*r1-Fc; 

            C1=2*r2; 

            b=1;             

            ll=(Fc-1)*rand()+1;  

       

            D_alphs=Fc*Positions(i,j)+A1*((Position(j)-Positions(i,j)));                   

            X1=D_alphs*exp(b.*ll).*cos(ll.*2*pi)+Position(j);

            Positions(i,j)=X1;

            

        end

    end

    l=l+1;    

    Convergence(l)=Score;

end

3 仿真结果

4 参考文献

[1]毛清华,王迎港.融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法[J/OL].小型微型计算机系统:1-9[2021-11-16]

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。