【Matlab群体智能算法第三期】基于Tent混沌映射的TPSO算法（含完整matlab代码）

%基于Tent映射的种群初始化
function x_apply = Tent_int(dim,a,Lb,Ub)
x(1,1)=(Lb(1,1)+rand()*(Ub(1,1)-Ub(1,1)))/Ub(1,1); %初始点

%根据Tent映射函数，生成后续初始种群
for i=1:dim-1
    if x(i)<a
        x(i+1)=2*x(i);
    elseif x(i)>=a
        x(i+1)=2*(1-x(i)) ;
    end
end

%获取在粒子边界约束内的种群解
x_apply=x.*Ub;

%粒子边界约束检查
I=x_apply<Lb;
x_apply(I)=Lb(I);
U=x_apply>Ub;
x_apply(U)=Ub(U);
end

2.基于Tent混沌映射的改进粒子群算法

        第1节主要对Tent混沌映射原理及matlab代码复现进行讲解，该部分将Tent混沌映射初始化与传统粒子群算法相结合，实现基于Tent混沌映射的改进粒子群算法，具体matlab代码如下所示：

%% 基于Tent混沌映射的改进粒子群算法主程序
clc;
clear all;
close all
%% 算法基本参数设置
c1=2; %学习因子1
c2=2;%学习因子2
w=0.7;%惯性权重
MaxDT=500;%最大迭代次数
D=3;%搜索空间维数（未知数个数）
N=30;%初始化群体个体数目
Lb=[-100,-100,-100];%种群解的下限
Ub=[100,100,100];%种群解的上限
Vmax=[1,1,1];%速度上限
Vmin=[-1,-1,-1];%速度下限
a=0.5;%Tent混沌系数，0~1之间
Best_f=[];pop=[];
%% 基于Tent混沌映射的种群初始化
for L=1:N
    pop(L,:) = Tent_int(D,a,Lb,Ub);
    Best_f(1,L)=fitness_obl(pop(L,:));
end
V=rand(N,D);
%计算各个粒子的适应度值并初始化Pi和Pg
[fitnessgbest bestindex]=min(Best_f);
gbest=pop(bestindex,:);
pbest=pop;
fitnesspbest=Best_f;
 
%% 粒子群算法更新迭代部分
for i=1:MaxDT
    for j=1:N
        %种群更新
        V(j,:)=w*V(j,:)+c1*rand*(pbest(j,:)-pop(j,:))+c2*rand*(gbest-pop(j,:));
        %更新速度边界检查
        I=V(j,:)<Vmin;
        V(j,I)=Vmin(I);
        U=V(j,:)>Vmax;
        V(j,U)=Vmax(U);
        pop(j,:)=pop(j,:)+V(j,:);
        %粒子边界检查
        PI=pop(j,:)<Lb;
        pop(j,PI)=Lb(PI);
        PU=pop(j,:)>Ub;
        pop(j,PU)=Ub(PU);
        %计算更新后种群的适应度函数值     
        Best_f(j)=fitness_obl(pop(j,:));
  
       %个体极值更新
       if Best_f(j)<fitnesspbest(j)
            pbest(j,:)=pop(j,:);
            fitnesspbest(j)=Best_f(j);
       end
 
       %全局极值更新
       if Best_f(j)<fitnessgbest
           gbest=pop(j,:);
           fitnessgbest=Best_f(j);  
       end
       
    end
   %记录粒子全局最优解
   Fgbest(i)=fitnessgbest;
   
end
%% 结果可视化
figure
plot(Fgbest)
title(['适应度曲线 ' '终止次数=' num2str(MaxDT)]);
xlabel('进化代数');
ylabel('适应度')

        为了验证改进后粒子群算法寻优效果，同时对各改进方式进行对比，本文应用第二期相同测试函数对改进后粒子群算法性能进行对比，具体测试函数及相关matlab文件见第二期“基于反向学习的改进粒子群算法”，链接如下：https://blog.csdn.net/hbdlhy/article/details/134035085

        基于上述测试函数，运行10次后目标函数值及适应度曲线如下所示：

图1 基于Tent映射的改进粒子群算法迭代曲线

表1 改进前后不同算法适应度函数对比

        根据表中结果可知，基于Tent映射改进后粒子群算法的寻优能力明显增强，但在该测试函数下，运行10次后其性能与基于反向学习的改进策略略有差距。但算法寻优能力在不同适应度函数下的表现不同，因此大家可自行使用其他经典测试函数进行测试对比，本文暂不对其余测试函数进行对比补充。

3.后续改进

        本部分仅对种群初始化部分进行介绍，后续该部分将在种群更行迭代部分，对t分布自适应变异、Levy飞行策略等改进方法进行讲解，感谢大家耐心阅读，本文代码改进部分均为作者自身复现，谢绝转载，严禁以此进行二次售卖。

        作者主要更新方向为：

（1）智能算法复现及改进；

（2）微电网/综合能源系统容量配置、优化调度等方向

（3）时间序列预测（机器学习、深度学习方向）

欢迎大家相互交流，另作者水平有限，难免存在疏忽之处，若有错误请大家指正，谢谢。