改进Tent混沌万有引力搜索算法的优化研究

"基于改进的Tent混沌万有引力搜索算法" 本文介绍了一种名为基于改进的Tent混沌万有引力搜索算法（ITC-GSA）的新型优化算法，该算法针对万有引力搜索算法（GSA）的不足进行了优化。万有引力搜索算法是一种受到自然界万有引力定律启发的全局优化方法，它以其快速的收敛速度和较强的探索性能而受到关注。然而，GSA存在容易陷入早熟收敛和局部最优的问题，这限制了其在复杂问题上的搜索能力。 为了改善这些问题，ITC-GSA首先采用改进的Tent混沌映射来初始化种群。Tent混沌映射是一种一维混沌映射，具有良好的随机性和遍历性，能确保初始种群在可行域内的分布更加均匀，从而增强算法的全局搜索能力。通过这种方式，算法的探索范围得到扩展，有助于找到更好的解。 接下来，ITC-GSA引入了引力常数G的动态调整策略。在GSA中，引力常数G对于算法的收敛速度和精度有着重要影响。动态调整G值可以根据算法的运行状态，适时改变搜索强度，从而在保持搜索广度的同时，提高算法的收敛速度和精度。 此外，算法还设计了一个成熟度指标来判断种群的成熟状态。当种群达到一定成熟度时，早熟收敛的问题可能出现。为了解决这个问题，ITC-GSA运用Tent混沌搜索来打破局部最优的约束。通过混沌搜索的无规则性，算法可以有效地逃离局部最优，继续在解空间中寻找更好的解决方案。 实验部分，研究者对10个基准测试函数进行了仿真实验，结果显示ITC-GSA有效地克服了GSA的早熟收敛和局部最优问题，提高了算法的收敛速度和优化精度。这些实验结果验证了改进策略的有效性，证明了ITC-GSA在解决复杂优化问题时具有更优越的性能。 相关文章包括采用多搜索策略协同进化的人工蜂群算法、基于模式搜索法的云模型粒子群算法、基于数据场的多目标引力搜索算法、全局竞争和声搜索算法以及基于符号函数的多搜索策略人工蜂群算法等，这些都展示了不同优化算法在应对不同问题时的独特优势和创新思路。