天鹰优化算法改进MATLAB代码：Tent映射初始化与自适应因子设计

简介面向智能仿生算法优化研究的Matlab实现资源围绕 Tent 映射种群初始化与自适应权重因子平衡全局探索和局部开发这一核心改进思路提供完整的天鹰优化算法IAO改进代码。资源共11个文件包含10个.m脚本与1个.xlsx说明文档压缩包仅16KB按初始化、边界约束、主程序等模块划分结构清晰易于在MATLAB中直接运行和对比实验。算法内置23个标准测试函数仿真图中将改进后IAO与原始AO在收敛速度与精度上进行直观对比有助于理解两种策略对算法性能的影响。附带说明文档详细阐述所用策略原理降低上手门槛。已有278人学习下载适合从事群智能算法改进、函数优化实验及相关课题研究的算法工程师和研究生参考使用。1. 天鹰优化算法为什么要做 Tent 映射和自适应因子改进天鹰优化算法AO是智能仿生算法里出现较晚、复现成本低的一个代表2021 年提出后在路径规划、参数辨识、调度排程这些问题上被反复套用。它的问题也很典型初始种群完全靠rand均匀随机碰到某些函数容易在迭代初期就挤在局部峰附近中后期从探索切换到开发只依赖迭代次数阈值碰到形态复杂的代价面切换时机判断经常不灵。Tent 映射把随机初始化换成混沌初始化改善个体在解空间里的分布质量自适应因子再拿一个随迭代递减的权重去调节最优个体的牵引力让探索与开发的过渡更平滑。下面给出一套可直接运行的 MATLAB 实现并讲清楚每一步的参数为什么这么设以及对比实验里哪些坑会导致你的改进看起来“没效果”。2. 改进天鹰优化算法的两个核心Tent 映射初始化与自适应因子设计先说明一个容易混淆的术语标题里的“Tent 映射”指的是用帐篷映射生成混沌序列再用序列值映射到搜索空间完成种群初始化“自适应因子”则是一个随迭代进度变化的系数嵌进天鹰优化算法的四个位置更新策略里。这两处改动都不改变 AO 的算法骨架属于典型的结构内改进适合做控制变量对比。2.1 为什么把初始化换成 Tent 混沌映射而不是 Logistic 映射Tent 映射的标准形式如下当r 0.5时取2 * r否则取2 * (1 - r)。这个分段函数画出来像一个帐篷所以叫帐篷映射。与 Logistic 映射比起来Tent 映射在[0,1]区间上遍历性更均匀序列不会在两端附近堆积。用真实场景解释就是Logistic 初始化在高维情况下容易让某些维度上的个体扎堆在边界而 Tent 映射产生的初始种群整体分布更散开后续迭代不容易因为初始覆盖不足而漏掉最优区域。MATLAB 里一个足够健壮的 Tent 子函数可以写成这样function r_new tent_map(r) % 输入 r 在 (0,1) 内输出下一次迭代的混沌值 if r 0 || r 1 r 0.1; % 防止落在不动点 end if abs(r - 0.5) 1e-6 r r 1e-6; % 0.5 会映射到 1再下一步变成 0序列锁死 end if r 0.5 r_new 2 * r; else r_new 2 * (1 - r); end if r_new 1 r_new 1 - 1e-6; % 同样避免出现 1 end end这段代码的逻辑说明先排除0和1这种会导致迭代停滞的初值再处理0.5这个特殊点因为0.5下一步变成1再下一步变成0整个序列就死掉了。最后的r_new 1判断是为了防止浮点运算产生精确的1。实际调用时初值r rand然后循环调用这个子函数生成一整条混沌序列。选 Tent 不是因为它比 Logistic 更“高级”而是因为同样的代码量下Tent 的均匀遍历特性更适合种群初始化。如果你的问题维度在 30 以内Tent 和随机初始化的差距可能不明显但到了dim 50或者目标函数有大量局部极值时Tent 初始化的个体更容易覆盖多个吸引域后续对比实验里多峰函数的表现差距会拉开。2.2 自适应因子 ω 的数学形式与设计动机自适应因子我用余弦递减形式omega cos(0.5 * pi * t / Tmax);t是当前迭代数Tmax是最大迭代数。当t 1时omega接近1当t Tmax时omega接近0。选择余弦而不是线性递减是因为余弦曲线前期的衰减比较平缓后期衰减加快这样算法在最开始能保持较强的全局搜索能力到了最后阶段再快速收敛到当前最优附近。这个特性在有很多局部峰的函数上比线性递减更稳。这个omega具体嵌在位置更新里探索阶段用它控制种群均值对当前个体的牵引强度开发阶段用它控制最优解对个体的吸引力度。直观理解就是前期每个个体更愿意往远离最优的区域跑避免大家都挤到一个局部峰里后期个体逐步收拢到最优解附近做精细搜索。2.3 改进后的四阶段更新公式与参数含义天鹰优化算法的四个阶段在改进后保留原结构只替换系数。四个策略的简化复现形式如下x1扩大探索X_new X_best * (1 - t/Tmax) omega * (X_mean - X_best * rand)x2缩小探索X_new X_best * levy_flight(dim) X_rand 0.01 * omega * (X_mean - X(i,:))x3扩大开发X_new omega * (X_best - X_mean) - rand 0.01 * (ub - lb) * randx4缩小开发X_new omega * X_best - G1 * X(i,:) * rand - (1 - omega) * G2 .* levy_flight(dim) rand * G1其中G1 2 * rand - 1G2 2 * (1 - t/Tmax)。与原版 AO 相比改动点集中在X_best和X_mean前面的系数上原版是固定系数或只依赖 t 的线性系数现在统一换成omega让整个搜索过程在同一个自适应框架下推进。下面这张表是这套改进里最需要关注的参数也是你调参时的主要对象参数代码对应常用取值影响自适应因子 ωcos(0.5*pi*t/Tmax)1 到 0 递减前期探索强度后期收敛速度Tent 映射参数tent_map内固定 0.5改变混沌序列分布形态Levy 飞行 βlevy_flight内1.5小于 1.5 重尾更明显越界概率增加x2 扰动系数0.01 * omega0.001 到 0.1控制探索阶段的随机游走幅度x3 扰动系数0.01 * (ub - lb)0.001 到 0.05控制开发阶段的局部扰动步长这些参数里ω和 x2 的扰动系数对结果影响最大。0.01 是我在多数基准函数上的经验值如果你发现收敛曲线全程平稳但最终精度差优先减小这个扰动系数如果收敛曲线下降太慢优先调大它。3. MATLAB 完整代码从 Tent 初始化到迭代收尾代码采用单文件结构把主函数、tent_map、levy_flight按照主函数在前、子函数在后的顺序放在同一个IAO.m文件里。这样不需要额外管理多个文件运行时不会出现路径问题也方便你直接复制到自己的工作目录。3.1 主函数签名和参数约定function [Best_pos, Best_score, Convergence_curve] IAO(N, Tmax, lb, ub, dim, fobj) % 改进天鹰优化算法 % N 种群规模 % Tmax 最大迭代次数 % lb 下界标量或 1 x dim 向量 % ub 上界标量或 1 x dim 向量 % dim 决策变量维度 % fobj 目标函数句柄输入 1 x dim输出标量 if isscalar(lb) lb repmat(lb, 1, dim); end if isscalar(ub) ub repmat(ub, 1, dim); end这段主要做输入标准化。很多人写代码时默认lb和ub是标量一旦遇到每维边界不同的问题就要改内部逻辑。我这里提前转成行向量后面所有(ub - lb)的向量运算都能正常工作。3.2 Tent 初始化每维独立生成一条混沌序列% Tent 混沌映射初始化种群 X zeros(N, dim); for d 1:dim r rand; for i 1:N r tent_map(r); X(i, d) lb(d) r * (ub(d) - lb(d)); end end这里的关键决策是“每维一条序列”。如果只生成一条长度为N * dim的混沌序列再整体 reshape维度之间会出现序列相关性等于人为破坏了搜索空间的均匀覆盖。每维重新从随机初值开始迭代用N个连续混沌值填充这一维种群在这个维度上的投影是近似均匀的。初始化之后要马上评估一次适应度fitness zeros(N, 1); for i 1:N fitness(i) fobj(X(i, :)); end注意fobj接收的是行向量。如果你自己的目标函数写成接受列向量这里会直接报错后面第 5 章会再强调接口问题。3.3 主循环四阶段位置更新与自适应因子嵌入主循环是整个改进的核心代码比原版 AO 多了omega的计算和嵌入for t 1:Tmax omega cos(0.5 * pi * t / Tmax); X_mean mean(X, 1); [~, idx] min(fitness); X_best X(idx, :); for i 1:N X_rand X(randi(N), :); if t (2/3) * Tmax % 探索阶段保留原 x1、x2 策略 if rand 0.5 X_new X_best * (1 - t / Tmax) omega * (X_mean - X_best * rand); else X_new X_best * levy_flight(dim) X_rand 0.01 * omega * (X_mean - X(i, :)); end else % 开发阶段x3、x4 策略 if rand 0.5 X_new omega * (X_best - X_mean) - rand 0.01 * (ub - lb) * rand; else G1 2 * rand - 1; G2 2 * (1 - t / Tmax); X_new omega * X_best - G1 * X(i, :) * rand - (1 - omega) * G2 .* levy_flight(dim) rand * G1; end end这段代码的逻辑说明omega在主循环最外层计算因此同一个迭代步里的所有个体使用同一个自适应因子保证策略切换的同步性。X_mean是整个种群的平均位置它代表当前群体的整体中心X_best是当前最优个体。探索阶段中omega乘在均值差分项上让前期均值牵引更强开发阶段中omega直接控制最优解的权重后期最优解对个体的吸引越来越强。x2里的 Levy 飞行函数定义如下function L levy_flight(d) beta 1.5; sigma (gamma(1 beta) * sin(pi * beta / 2) / ... (gamma((1 beta) / 2) * beta * 2^((beta - 1) / 2)))^(1 / beta); u randn(1, d) * sigma; v randn(1, d); L u ./ (abs(v).^(1 / beta)); endLevy 飞行是一种重尾随机游走偶尔会出现很大的步长这正是探索阶段需要的行为。beta 1.5是经验常用值它的作用是控制重尾程度beta越小大步长出现的概率越高容易越过边界但也更容易跳出局部极值。3.4 边界修复与贪心选择别让改进效果毁在最后一步位置更新完成后要做边界修复、评估、贪心选择% 边界修复 X_new min(max(X_new, lb), ub); % 贪心选择 fnew fobj(X_new); if fnew fitness(i) X(i, :) X_new; fitness(i) fnew; end end [Best_score, idx] min(fitness); Best_pos X(idx, :); Convergence_curve(t) Best_score; end边界修复我直接用了最省事的夹取也就是min(max(X_new, lb), ub)。这个做法的副作用是当种群已经收敛到边界附近时很多个体会被压到同一条边界上多样性快速下降。如果遇到这个问题可以把夹取改成反射边界或随机重建但更简单有效的办法是在夹取后对“恰好等于边界”的个体加一个小幅高斯扰动。这个方法我只在有边界解的问题上使用普通基准函数夹取就够用了。贪心选择保证了每个个体只会接受更优的位置所以收敛曲线一定是单调不增的。如果跑出来的曲线出现明显上升检查一下是不是fnew和目标函数里用了全局变量或随机种子这种问题在工程嵌入时经常出现。4. 在基准函数上做对比AO 与改进 AO 的验证流程与参数修正改进算法写完后第一件事不是直接拿到工程问题上跑而是先用基准函数验证改进是否真的有效。基准函数选择的经验是先一个单峰函数确认代码逻辑再一个多峰函数确认不会早熟。Sphere 适合当第一个验证函数Rastrigin 和 Ackley 适合当多峰压力测试。4.1 用同一个随机种子做控制变量对比对比实验里最常见的错误是两行代码分别跑 AO 和 IAO中间没有重置随机数流结果初始种群完全不同无法判断提升来自算法还是随机运气。我一般不用网上现成的 AO 包而是直接在IAO.m上做两处修改得到对照版把初始化改回均匀随机并把omega固定为 1。% 对照 AO 版需要修改的两处 % 1. 初始化替换成 X lb rand(N, dim) .* (ub - lb); % 2. 主循环里 omega 固定 omega 1;这样对照组与改进组共享完全相同的代码路径唯一的变量就是 Tent 初始化和自适应因子结论才站得住。测试脚本结构如下num_runs 30; scores_AO zeros(num_runs, 1); scores_IAO zeros(num_runs, 1); for r 1:num_runs rng(r, twister); % 每次运行前锁定随机数 [~, fmin_AO, ~] AO(N, Tmax, lb, ub, dim, fobj); rng(r, twister); % 用同一个种子跑改进版 [~, fmin_IAO, ~] IAO(N, Tmax, lb, ub, dim, fobj); scores_AO(r) fmin_AO; scores_IAO(r) fmin_IAO; end注意rng(r, twister)要写在每次调用算法之前。不要用rand(twister, r)这是旧接口在 MATLAB 2023b 及更新版本里虽然还能兼容但官方推荐统一用rng。如果你在循环里跑并行记得把rng放进每个 worker 内部否则并行池默认随机流可能导致结果不可复现。4.2 结果表要关注 Best、Mean、Std 和 p 值基准测试的输出不能只贴一条最优收敛曲线因为曲线只代表运气最好的一次。我建议至少记录 30 次独立运行的三个统计量外加显著性检验指标说明AO 对照改进 IAOBest30 次里最优的一次运行后填入运行后填入Mean30 次平均值反映平均效果运行后填入运行后填入Std标准差反映稳定性运行后填入运行后填入p valueWilcoxon 秩和检验结果参考值参考值判读逻辑单峰函数上重点看 Mean 是否提升多峰函数上重点看 Std 是否减小因为多峰函数解决的是“稳定找到好解”而不是“偶尔找到好解”。如果 IAO 在某个函数上的 Mean 比 AO 差但 Std 小很多说明改进虽然让搜索更保守但可能压制了跳出局部极值的能力这时候需要回调omega的衰减速度。4.3 三个影响结果的参数与两个常见翻车点最影响结果的参数有三个。第一个是omega的衰减形式换成线性递减后前期探索时间变短后期开发时间变长适用于光滑的单峰函数余弦递减更适合多峰函数。第二个是x2里的扰动系数0.01这个系数太小会导致探索阶段几乎完全围绕最优解转改进直接退化成原版 AO太大则会让大量个体频繁越界边界夹取会浪费掉很多有效搜索步数。第三个是种群规模与迭代次数的比例我见过很多人在N10, Tmax100下测试这种参数下 Tent 初始化的优势还没发挥出来就结束了至少要N30, Tmax500。常见翻车点有两个。一是 Tent 映射的子函数返回了0或1导致某个维度固定在边界上整个种群在该维度失去多样性表现为收敛曲线出现平台期。二是在记录收敛曲线时Convergence_curve的数组在每次贪心选择前就记录导致曲线偶尔出现非单调。正确的做法是每次迭代结束后用当前种群的最优适应度记录而不是记录所有个体更新前的临时值。5. 把改进 AO 接到你自己的优化任务接口、约束与显著性验证工程上把 IAO 嵌入真实问题的关键点只有一个把目标函数封装成“输入一个行向量返回一个标量”。它不是仿真脚本不是绘图函数更不是一个读取全局变量的脚本。所有需要传递的参数要么通过函数参数传进去要么用嵌套函数捕获环境变量。5.1 把代价函数换成你的工程目标假设你要优化的目标函数是两个变量的组合其中带一个正弦扰动项可以写成function J my_cost(x) % x 是 1 x dim 行向量 J (x(1) - 2)^2 3 * (x(2) 1)^2 ... 0.5 * sin(5 * x(1)) * cos(3 * x(2)); end调用 IAO 的写法[Best_pos, Best_score, Convergence_curve] ... IAO(30, 1000, -5 * ones(1, 2), 5 * ones(1, 2), 2, my_cost);注意-5 * ones(1, 2)和5 * ones(1, 2)明确给出了每维边界避免之前提到的标量边界歧义。如果你的目标函数来自 Simulink 或外部程序把一个x输入进去再返回结果即可如果每次评估需要 1 秒以上先考虑减少种群规模然后考虑用parfor替换贪心选择循环但要注意并行下fitness的更新时机。5.2 约束和离散变量处理工程问题几乎都有约束。最省事的做法是罚函数法把违反约束的程度乘一个大系数加到目标函数上function J constrained_cost(x) raw (x(1) - 2)^2 3 * (x(2) 1)^2; g abs(sum(x) - 1); % 等式约束例子 J raw 1e3 * (g 1e-6) * g; end这里1e3是罚系数取值太小约束不满足取值太大会让算法的搜索方向完全被罚项主导忽略原始目标。离散变量更直接在目标函数内部对决策变量取整再评估但算法位置更新还是用连续值这样既保持了搜索连续性又满足了离散要求。5.3 显著性检验ranksum 命令怎么读对比实验最后一步是显著性检验。把 30 次 AO 的结果放进scores_AO30 次 IAO 的结果放进scores_IAO执行[p, h] ranksum(scores_AO, scores_IAO);h 1表示在 95% 置信水平下拒绝“两组结果无差异”的原假设说明改进在统计意义上显著p小于 0.05 是论文里常用的显著性标准。如果两组数据在某函数上多次得到完全相同的最优值ranksum会因为数据无变异而报警这时候直接看 Mean 和 Std用ttest2或者干脆放弃对这个函数的统计判断只报告分布结果。报告时把Mean ± Std和p一起放进表格比只贴一条收敛曲线有说服力得多。本文还有配套的精品资源点击获取