本发明涉及人工智能算法领域，尤其是一种基于改进iterative混沌策略的自适应t分布袋獾算法的优化方法。
背景技术：
1、随着现实世界的发展，最优化问题在各个领域都有具体的应用实例，然而现实世界中的许多问题往往是np-hard问题，同时传统的线性规划等优化算法难以高效且准确的处理大量高维且复杂的数据，为此，启发式算法被一些研究者们提出，如粒子群优化算法(particle swarm optimization,pso)、蚁群优化算法(ant colony optimization,aco)、人工蜂群优化算法(artificial bee colony algorithm,abc)等等。群智能优化算法以其高效的并行搜索能力，全局搜索能力以及面对复杂状况时的自我适应能力受到了学术界的一致认同。
2、针对智能优化算法的改进主要涉及三个方面，首先是对初始搜索群体进行改进，增强初始群体的随机分布能力，如李雨恒等人引入精英反向学习，通过反向学习来优化初始化种群，增强了哈里斯鹰优化算法(harris hawks optimization,hho)的跳出局部最优解的能力，李智杰等人将tent混沌与折射反向学习相融合，增强鹈鹕优化算法(pelicanoptimizationalgorithm,poa)的种群多样性；其次是针对最优点更新时的选取规则进行创造性发展，增强算法跳出局部最优的能力，避免后期种群出现单一的现象，刘亚奇通过对天牛须算法(beetle antennae search algorithm,bas)迭代过程中出现的最优候选解进行量子进化，将两种状态的量子位线性叠加，用新编码得到的量子进行重新表示，增加了算法的收敛速度，李姗鸿引入自适应惯性权重因子增强人工兔优化算法(artificial rabbitsoptimization,aro)的开发与搜索能力，提高了算法的鲁棒性；最后是将现有算法进行跨领域结合，增强算法鲁棒性以及适应性，在面临复杂问题时能得到优异的结果。
3、智能优化算法可以高效处理分析大规模且复杂的数据，目前多数智能优化算法对数据依赖严重，容易陷入局部最优解。
技术实现思路
1、为进一步增强智能优化算法跳出局部最优解的能力，同时提高算法效率，本方案提出一种基于改进iterative混沌策略的自适应t分布袋獾算法的优化方法。
2、该基于改进iterative混沌策略的自适应t分布袋獾优化方法的方法包括以下步骤：
3、s1.采用改进iterative混沌策略来初始化袋獾种群，丰富群体多样性；
4、s2.引入自适应t分布策略，对最优点更新进行变异扰动，增强袋獾种群全局搜索能力。
5、通过采用上述技术方案，本发明具有以下技术效果：
6、1.使用改进的iterative混沌策略和自适应t分布改进原始袋獾算法陷入局部最优解的问题，同时在一定程度上提高了袋獾优化算法的精度和收敛速度；在针对种群初始化不均的情况时，本方案使用iterative混沌策略对初始种群进行初始化；设计二次混沌优化公式，在初始种群的基础上进行二次混沌优化，在将初始种群映射到寻优空间中时分布更加聚集，防止出现过多初始种群初始化在求解空间边界导致的局部最优解问题；
7、2.引入自适应t分布，提高改进后算法的求解精度和收敛速度，增强算法跳出局部最优的能力。
1.一种袋獾算法的优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的袋獾算法的优化方法，其特征在于，步骤s1中，所述改进iterative混沌映射为在iterative混沌映射的基础上对映射结果作二次加强映射。
3.根据权利要求2所述的袋獾算法的优化方法，其特征在于，所述改进iterative混沌映射
4.根据权利要求1或3所述的一种袋獾算法的优化方法，其特征在于，新的捕猎区域参数w代替r值，公式如下：
