[发明专利]基于Fuch映射的混合改进灰狼优化算法

说明书

本发明公开了一种基于Fuch映射的混合改进灰狼优化算法，其步骤如下：步骤一，利用混沌精英策略产生初始种群，为全局搜索多样性奠定基础；步骤二，引入惯性权重配合收敛因子策略，调节种群全局探索能力和局部开发能力；步骤三，对最佳灰狼位置引入多项式变异以增强算法跳出局部最优解的能力。本发明利用Fuch映射的混合改进策略对传统的灰狼优化算法进行改进，与传统的灰狼优化算法比较，改进的灰狼优化算法加快了收敛速度和提高收敛精度，减少了计算时间，并能最大限度的找到全局最优解。

技术领域

本发明涉及仿生群体智能优化算法技术领域，特别涉及一种基于Fuch映射的混合改进灰狼优化算法。

背景技术

灰狼优化算法是一种新兴的群体仿生智能优化算法，其思想来源于灰狼群体在自然界中的捕猎行为。该算法主要通过灰狼群体对猎物进行围补，进攻来寻找最优猎物。该算法简单易实现，可调参数较少，已得到广泛研究和应用。但是在实际工程中，许多问题是具有强耦合的复杂设计，多重参数和非线性的。而传统的灰狼优化算法依赖于初始种群，而初始种群是随机产生的，从而会造成传统灰狼优化算法在处理实际复杂问题时，收敛精度和收敛速度达不到要求，且容易陷入局部最优等问题。因此，需要对传统的灰狼优化算法进行适当改进，提升解决复杂问题的能力。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种基于Fuch映射的混合改进灰狼优化算法，通过引入混沌精英反向学习策略，收敛因子和惯性权重协同更新策略和最佳位置多项式变异策略，提高传统灰狼优化算法的收敛精度，收敛速度和跳出局部最优解的能力，从而解决传统灰狼优化算法在处理具有强耦合、多重参数和非线性问题时存在的收敛精度低、收敛速度慢且容易陷入局部最优等技术问题。

本发明的上述目的通过以下技术方案予以实现：

基于Fuch映射的混合改进灰狼优化算法，包括如下步骤：

步骤一：通过混沌精英反向学习策略产生一个新的灰狼种群；

步骤二：分别计算出最优位置α，第二优位置β和第三优位置δ的适应度；

步骤三：引入惯性权重w配合收敛因子a非线性更新策略，根据收敛因子a和惯性权重w，更新灰狼个体位置；

步骤四：对所述步骤三中，当前最优位置个体进行最优位置多项式变异；

步骤五：对所述步骤四中，更新灰狼个体位置信息。

所述步骤一中，设改进的灰狼优化算法的种群目为N，总迭代次数为Max_FEs，采用具有较好遍历均匀性和内随机性的Fuch混沌映射在D维空间中产生混沌序列X_n，Fuch混沌映射函数表达式为：

X_n+1＝cos(1/X_n) (1)

将混沌序列映射到解空间中，得到种群X＝{X_i,i＝1,2,L,N}，混沌初始种群个体X_id表示为：

X_id＝lb+(ub-lb)·X_n+1 (2)

其中：X_id表示第i个灰狼个体的d维值，lb和ub分别是X_id的上届和下届；

为了让初始种群多样性更加丰富，因此引入精英反向学习策略，由混沌初始种群X计算出精英反向种群OX＝{OX_i,i＝1,2,L,N}，OX_i＝(OX_id,d＝1,2,L D)，种群个体OX_id表示为

OX_id＝k·(X_min+X_max)-X_id (3)