正余弦算法的公式常被用于改进其他算法,一般融合都是直接融合,或者加入什么黄金正余弦了,这些都已经被用的太泛滥了。
我作为审稿人,看到这些就会客观地提出这些创新性的不足,仅仅是添加这些常用的策略,太平常了。
正余弦算法有很大的挖掘潜力!
正弦余弦算法和其他基于种群的优化算法一样, 需要平衡全局搜索和局部开发。在传统的正弦余弦算法中,解的位置更新方程仅仅将当前最优解用于随机 确定到下一搜索区域的距离,而没有利用当前最优解的位置信息,导致SCA整体更倾向于全局搜索,算法 的收敛性较差。传统的正余弦算法公式如下(1):
正余弦算法寻优过程:
因此,针对SCA的上述不足,以下为两种改进的不同方式。
根据文献【1】第一种改进:提出了一种平衡权重更新机制,充分利用当前最优解的位置信息来加强算法的局部开发能力,设计了一个改进的位置更新方程,由式(2)所示
式中:λ是平衡因子,由式(3)描述,其功能是调整当前 最优解和当前解之间的权重。
式中:和fit 分别为当前最优解和当前 解的适应度值,与式(1)相比,式(2)强调了当前最优 解的位置信息,而部分淡化了当前解的位置信息,这使 得SCA更加专注于当前最优解附近的区域,加强了局 部开发能力。此外,为了避免过度的局部开发,引入平 衡因子λ,利用当前最优解和当前解的适应度值来动 态调整其各自权重。当λ较小时,当前解与当前最优 解之间存在较大差异,下一个搜索区域将更多地集中 于当前最优解附近,相反,当λ较大时,当前解很接近 当前最优解,下次搜索将加强对当前解自身位置附近 区域的开发。
第二种,根据文献【2】与经典的SCA不一样,在这种改进过程中引入类似粒子群其他个体认知的一种思想,我觉得这种思想很好,特意分享给大家扩展思路。ISCA中引入的改进搜索公式(3)如下:
式中是迭代t次后的解,是目前为止得到的解的最佳位置,是总体解决方案中的最佳位置,r2是一个均匀分布的随机数,介于0和1之间。剩余的所有参 数包括A,r1,C和r都与经典的SCA算法相同,具有相同作用。
在等式(3)中,右边的和贡献了搜索过程的认知部分,贡献了社交部分。 在搜索过程中处理这两个组件的好处是在搜索过程中执行本地和全局搜索。认知和社会成分通过结合解决方案的最佳状态和群体的最佳状态,为当前解决方案提供了一个有效且有前景的方向。
更多改进思想,改进策略,敬请关注!
独家原创的混沌映射真的非常有用,现在正在优惠中,还剩一天,欢迎支持!
非常非常实用!不能错过,独家原创,9种很少人听过,但却实用的混沌映射!!!以鲸鱼混沌映射为例,使用简便
参考文献 :
【1】潘明章 等.基于改进正余弦算法的机械臂轨迹规划
【2】张睿 .基于正余弦优化算法的改进及其应用
更多内容:欢迎关注个人公众号:算法仓库