前期已分享340多种基础优化算法（【选择自由，免费下载】超340种基础群智能优化算法-Matlab版（截至2024.03.10））。根据“没有免费的午餐”，没有一个单一的群体智能优化算法可以解决所有的优化问题，每一个群体智能优化算法都有局限性和限制。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。将混沌映射方法与优化算法相结合是一种常见的改进方式。前期已经推出用于改进所有优化算法：21种混沌映射方法-混沌初始化（附matlab代码）用法，混沌初始化策略不参与迭代过程。因此，本期推出参数混沌化，算法参数在迭代过程中随着混沌策略不断的更新。

不完全整理了21种常见的混沌映射方法的matlab代码，并将他们运用在算法的参数选择中。具体有：

1. Chebyshev混沌映射

2. Circle 混沌映射

3. Gauss/mouse 混沌映射

4. Iterative 混沌映射

5. Logistic 混沌映射

6. Piecewise 混沌映射

7. Sine 混沌映射

8. Singer 混沌映射

9. Sinusoidal 混沌映射

10. Tent 混沌映射

11. Fuch 混沌映射

12. SPM 混沌映射

13. ICMIC 混沌映射

14. Tent-Logistic-Cosine 混沌映射

15. Sine-Tent-Cosine 混沌映射

16. Logistic-Sine-Cosine 混沌映射

17. Henon 混沌映射

18. Cubic 混沌映射

19. Logistic-Tent 混沌映射

20. Bernoulli 混沌映射

21. Kent 混沌映射

将它们运用到算法参数选择中。该策略适用于一些有参数需要迭代更新的，典型的算法比如：灰狼优化算法GWO和哈里斯鹰优化算法HHO。

GWO的探索和开发转换参数：

a取值在[0,2]之间，是一个随迭次次数变换的线性递减的参数。

类似地，HHO的转换参数：

因此，可以利用混沌映射来改变a和E的值。

21种混沌映射方法分布图

GWO和21种改进的GWO对比

HHO和21种改进的HHO对比 

 GWO、HHO、CGWO、CHHO对比

Matlab代码下载：
【效果突出】优化改进策略：21种混沌映射方法-参数混沌化（附matlab代码）