本文介绍了几种常见的混沌映射方法，包括Logistic映射、Sine映射等，并详细阐述了每种映射的数学定义及其参数范围。此外，还提供了进行仿真实验的代码下载链接。
一、理论基础
1、Logistic映射
定义如下： x n + 1 = μ x n ( 1 − x n ) , 0 < μ ≤ 4 , x n ∈ ( 0 , 1 ) (1) x_{n+1}=\mu x_n(1-x_n),\,\,0<\mu\leq4,\,\,x_n\in(0,1)\tag{1} xn+1=μxn(1−xn),0<μ≤4,xn∈(0,1)(1)其中， x n x_n xn是第 n n n个混沌值， n n n表示迭代次数； μ μ μ是混沌因子， μ ∈ ( 0 , 4 ] μ\in(0,4] μ∈(0,4]。
2、Sine映射
Sine映射是单峰映射，其定义如下： x n + 1 = α 4 sin ( π x n ) , 0 < α ≤ 4 (2) x_{n+1}=\frac\alpha4\sin(\pi x_n),\,\,0<\alpha\leq4\tag{2} xn+1=4αsin(πxn),0<α≤4(2)其中， α \alpha α是混沌参数， α ∈ ( 0 , 4 ] \alpha\in(0,4] α∈(0,4]
3、Neuron映射
Neuron映射是具有非线性反馈的混沌映射。该映射利用双曲正切函数和指数函数构造混沌映射，其定义如下： x n + 1 = η − 2 tanh ( γ ) exp ( − 3 x n 2 ) (3) x_{n+1}=\eta-2\tanh(\gamma)\exp(-3x_n^2)\tag{3} xn+1=η−2tanh(γ)exp(−3xn2)(3)其中， η \eta η表示衰减因子( 0 ≤ η ≤ 1 0\leq\eta\leq1 0≤η≤1)； γ \gamma γ表示比例因子。
4、Tent映射
请参考这里。
5、Chebyshev映射
Chebyshev映射是一种常见的对称区域映射。它通常用于神经网络、数字通信和安全问题。Chebyshev映射生成 ( − 1 , 1 ) (-1,1) (−1,1)中的混沌序列。 其定义如下： x n + 1 = cos ( λ ⋅ cos − 1 x n ) (4) x_{n+1}=\cos(\lambda\cdot\cos^{-1}x_n)\tag{4} xn+1=cos(λ⋅cos−1xn)(4)其中， λ \lambda λ表示混沌参数。
6、Cubic映射
Cubic映射是密码学等各种应用中产生混沌序列最常用的映射之一，其定义如下： x n + 1 = ρ x n ( 1 − x n 2 ) (5) x_{n+1}=\rho x_n(1-x_n^2)\tag{5} xn+1=ρxn(1−xn2)(5)其中， ρ \rho ρ是映射因子。
7、ICMIC映射
迭代无限折叠混沌映射(ICMIC)在 ( − 1 , 1 ) (-1,1) (−1,1)中生成混沌序列，其定义如下： x n + 1 = sin ( α x n ) , α ∈ ( 0 , + ∞ ) , x n ∈ ( − 1 , 1 ) (6) x_{n+1}=\sin\left(\frac{\alpha}{x_n}\right),\,\,\alpha\in(0,+\infty),\,\,x_n\in(-1,1)\tag{6} xn+1=sin(xnα),α∈(0,+∞),xn∈(−1,1)(6)或者： x n + 1 = sin ( α π x n ) , α ∈ ( 0 , 1 ) , x n ∈ ( − 1 , 1 ) (7) x_{n+1}=\sin\left(\frac{\alpha\pi}{x_n}\right),\,\,\alpha\in(0,1),\,\,x_n\in(-1,1)\tag{7} xn+1=sin(xnαπ),α∈(0,1),xn∈(−1,1)(7)
二、仿真实验
代码下载链接：https://download.csdn.net/download/weixin_43821559/85221680
三、参考文献
[1] Feng, J., Zhang, J., Zhu, X. et al. A novel chaos optimization algorithm[J]. Multimedia Tools and Applications, 2017, 76: 17405-17436.
扫一扫
3055
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
