求解高维优化问题的改进正弦余弦算法

一、理论基础

1、正弦余弦算法

请参考这里。
算法步骤如算法1所示。
算法1 基本SCA

2、改进的正弦余弦算法

（1）反向学习初始化

反向学习(opposition- based learning, OBL)是近年来智能计算领域出现的一种新技术，目前已在PSO、DE等群体智能优化算法中得到了成功的应用。因此，本文将反向学习策略嵌入到标准SCA中进行种群初始化，为改善算法性能奠定基础。
定义1 反向点(opposite point)。 假设在$[l,u]$上存在数$x$，则$x$的反向点定义为$x^{\prime }=l+u-x$。将反向点的定义扩展到$d$维空间，设$p=(x_1,x_2,\cdots ,x_d)$为$d$维空间的一个点，其中$x_i\in [l_i,u_i],i=1,2,\cdots ,d$，则其反向点定义为$p^{\prime }=(x_1^{\prime },x_2^{\prime },\cdots ,x_d^{\prime })$，其中$x_i^{\prime }=l_i+u_i-x_i$。
根据上述定义，利用反向学习策略产生初始群体的具体步骤如算法2所示。
算法2 基于反向学习的初始化方法
合并 { X ( N ) ∪ O X ( N ) } \{X(N)∪OX(N)\} {X(N)∪OX(N)}，从中选取适应度值最好的$N$个个体作为初始种群。

（2）修改个体位置更新方程

为了提高标准SCA的收敛精度和加快收敛速度，受PSO算法启发，本文在个体位置更新方程式中引入惯性权重$w$，得到改进的个体位置更新公式如下：$$X(t+1)=\{\begin{array}{l}wX(t)+r_1\times \sin r_2\times |r_3\times X^{\ast }-X(t)|,r_4<0.5\\ wX(t)+r_1\times \cos r_2\times |r_3\times X^{\ast }-X(t)|,r_4\ge 0.5\end{array}\text{\hspace{1em}(1)}$$其中，$w$为惯性权重。
较大的惯性权重$w$有利于全局搜索，较小的惯性权重$w$有利于局部搜索。因此，本文提出一种自适应变化的惯性权重策略，即惯性权重随迭代次数增加而线性减小。$$w(t)=w_{\max }-(w_{\max }-w_{\min })\times \frac{t}{t_{\max }}\text{\hspace{1em}(2)}$$其中，$t$为当前迭代次数；$t_{\max }$为最大迭代次数；$w_{\max }$和$w_{\min }$分别为惯性权重的最大值和最小值。由式(2)可以清晰地看出，惯性权重$w$随迭代次数的增加而递减，在进化前期 $w$选取较大的值利于全局搜索，在进化后期$w$选取较小的值利于局部精确搜索，从而提高算法的收敛精度和加快算法的收敛速度。

（3）算法步骤

本文提出的ISCA流程如图1所示。

图1 ISCA流程

二、仿真实验与结果分析

1、测试函数

为了验证本文提出的ISCA的寻优性能，从文献中选取八个高维标准函数进行测试，其具体表达式及变量范围如表1所示，八个函数的理论最优值均为0。

表1 测试函数

2、实验结果

（1）和原始SCA对比

采用本文所提出的ISCA对八个标准测试函数进行求解，并与基本SCA进行比较。八个函数的维数均设置为D=30维。为了比较的公平性，ISCA和SCA的种群规模均设置为50，最大迭代次数设置为1000，即最大适应度函数计算次数为50000。另外，经过反复多次实验确定ISCA其他参数设置如下：惯性权重最大值$w_{\max }=0.8$，惯性权重最小值$w_{\min }=0.1$。ISCA和SCA分别对八个测试函数单独运行30次，记录其最优值、最差值、平均值和标准差，结果如表2所示。所有仿真实验均在Intel® Core™ i7-7700、8GB内存、3.60GHz主频的计算机上实现，程序采用MATLAB 2018a语言实现。
上图为ISCA和SCA对八个函数的收敛曲线。
最优值、最差值、平均值和标准差显示如下：

函数：F1
SCA：最优值: 2.7822e-08,最差值:0.68443,平均值:0.022971,标准差:0.12493
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F2
SCA：最优值: 3.5802e-08,最差值:5.3033e-05,平均值:6.7198e-06,标准差:1.0976e-05
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F3
SCA：最优值: 32.3308,最差值:12280.1818,平均值:1979.5323,标准差:2491.4823
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F4
SCA：最优值: 0.38054,最差值:24.9364,平均值:11.3292,标准差:6.9102
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F5
SCA：最优值: 0,最差值:0,平均值:0,标准差:0
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F6
SCA：最优值: 7.6934e-08,最差值:141.0587,平均值:17.3916,标准差:33.1537
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F7
SCA：最优值: 1.3262e-05,最差值:20.29,平均值:14.0356,标准差:8.6221
ISCA：最优值: 8.8818e-16,最差值:8.8818e-16,平均值:8.8818e-16,标准差:0
函数：F8
SCA：最优值: 6.3289e-06,最差值:0.70051,平均值:0.16298,标准差:0.1883
ISCA：最优值: 0,最差值:0,平均值:0,标准差:0

从以上仿真对比结果可以清晰地看出，与基本SCA相比，ISCA 在八个测试函数上均能获得较高的收敛精度和较快的收敛速度。

（2）不同维度下的收敛情况

对ISCA在不同维度下进行测试，以F3、F4、F6、F7为例，分别在$D=100,500,10000$的维度下进行测试，结果显示如下。

函数：F3
D=100：最优值: 0,最差值:0,平均值:0,标准差:0
D=500：最优值: 0,最差值:0,平均值:0,标准差:0
D=1000：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F4
D=100：最优值: 7.1418e-314,最差值:5.7055e-263,平均值:2.0728e-264,标准差:0
D=500：最优值: 3.9186e-229,最差值:1.4142e-202,平均值:4.7264e-204,标准差:0
D=1000：最优值: 4.362e-206,最差值:5.2109e-179,平均值:1.7394e-180,标准差:0
函数：F6
D=100：最优值: 0,最差值:0,平均值:0,标准差:0
D=500：最优值: 0,最差值:0,平均值:0,标准差:0
D=1000：最优值: 0,最差值:0,平均值:0,标准差:0
函数：F7
D=100：最优值: 8.8818e-16,最差值:8.8818e-16,平均值:8.8818e-16,标准差:0
D=500：最优值: 8.8818e-16,最差值:8.8818e-16,平均值:8.8818e-16,标准差:0
D=1000：最优值: 8.8818e-16,最差值:8.8818e-16,平均值:8.8818e-16,标准差:0

从上图可以看出，虽然ISCA在不同高维问题上最终获得了相同的收敛精度，但其收敛速度稍有不同。从上述结果可以看出，ISCA在求解高维优化问题时显示出较强的寻优能力。

三、参考文献

[1] 徐松金, 龙文. 求解高维优化问题的改进正弦余弦算法[J]. 计算机应用研究, 2018, 35(9): 2574-2577.