基于量子位Bloch坐标编码自适应的改进正弦余弦算法

一、理论基础

1、正弦余弦算法(SCA)

请参考这里。

2、改进的正弦余弦算法(ASCA)

（1）群体初始位置的Bloch坐标编码方案

具体介绍请参考这里。

（2）自适应惯性权重策略

在SCA算法中，为了增强局部开发能力，提高算法的收敛精度和收敛速度，引入惯性权重$w$对算法进行改进，加入的惯性权重为：$$w=w^{\prime }-(w^{\prime }-w^{\prime \prime })\times {\left(\frac{t}{T_{\max }}\right)}^{1/t}\text{\hspace{1em}(1)}$$其中，$w^{\prime }$和$w^{\prime \prime }$分别为惯性权重的最大值和最小值。
$w$随着迭代次数的增加而递减，使得迭代前期有利于全局探索，迭代后期有利于局部寻优，由于引进的$w$减小的幅度较大，更有利于算法进行局部开发，提高算法的收敛精度和收敛速度。
改进后的位置更新公式如下：$$X_i^{t+1}=\{\begin{array}{l}w{X}_i^t+r_1\times \sin r_2\times |r_3{P}_i^t-X_i^t|,r_4<0.5\\ w{X}_i^t+r_1\times \cos r_2\times |r_3{P}_i^t-X_i^t|,r_4\ge 0.5\end{array}\text{\hspace{1em}(2)}$$

（3）ASCA算法流程

ASCA算法流程如下：
(1) 初始化算法参数，包括群体规模$N$、最大迭代次数$T_{\max }$、惯性权重的最大值$w^{\prime }$和最小值$w^{\prime \prime }$；
(2) 初始化群体位置，采用量子位Bloch球面对每个候选解进行编码，最后映射到优
化问题的解空间，然后计算群体中每个个体的适应度值，根据适应度值的大小进行排序，最后选取$N$个适应度值较小的个体作为初始群体；
(3) 计算$N$个个体的适应度值，选择适应度值最小的个体位置作为最优位置；
(4) 根据$r_4$值的大小，选择式(2)中的正弦或余弦数学模型来更新下一代的位置；
(5) 若达到最大迭代次数，则算法结束，输出最优个体，即算法找到的最优解，否则返回(3)。

二、仿真实验与分析

为了说明ASCA算法的有效性，将其与SCA算法、ABC算法和TLBO算法进行比较。ABC算法中的参数$limit$设置为200，SCA算法和ASCA算法中的参数$a$设置为2，经过大量的仿真实验后，确定ASCA算法中惯性权重的最大值和最小值分别为$w^{\prime }=0.08$、$w^{\prime \prime }=0.01$。为了保证公平性，4种算法的相关参数设置相同：初始群体规模为40，最大迭代次数为1000，实验独立运行次数为20，以文献[1]中表1维度为30的测试函数为例。
结果显示如下：

函数：F1
ABC：最差值: 0.06312,最优值:0.0087672,平均值:0.030197,标准差:0.018844
TLBO：最差值: 6.3904e-168,最优值:3.553e-171,平均值:1.039e-168,标准差:0
SCA：最差值: 0.020811,最优值:2.8803e-07,平均值:0.0017636,标准差:0.0046649
ASCA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F2
ABC：最差值: 43750.7381,最优值:27120.9933,平均值:36510.1503,标准差:4248.858
TLBO：最差值: 3.1893e-38,最优值:1.2591e-41,平均值:4.447e-39,标准差:8.4453e-39
SCA：最差值: 8939.4914,最优值:456.0309,平均值:2932.0432,标准差:2436.3418
ASCA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F3
ABC：最差值: 29.7093,最优值:18.3775,平均值:22.0736,标准差:3.0263
TLBO：最差值: 7.8501e-68,最优值:1.6101e-69,平均值:1.1936e-68,标准差:1.6949e-68
SCA：最差值: 32.5563,最优值:8.579,平均值:19.2544,标准差:7.2075
ASCA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F4
ABC：最差值: 263.7564,最优值:220.7634,平均值:244.6103,标准差:10.9325
TLBO：最差值: 22.8841,最优值:3.8581,平均值:11.1379,标准差:4.1531
SCA：最差值: 108.9658,最优值:1.8084e-08,平均值:24.226,标准差:27.1501
ASCA：最差值: 0,最优值:0,平均值:0,标准差:0
函数：F5
ABC：最差值: 0.76886,最优值:0.32805,平均值:0.60577,标准差:0.12297
TLBO：最差值: 0,最优值:0,平均值:0,标准差:0
SCA：最差值: 0.9724,最优值:1.9163e-05,平均值:0.22533,标准差:0.29982
ASCA：最差值: 0,最优值:0,平均值:0,标准差:0

由此可见，对于绝大部分的基准测试函数来说，与其他3种算法相比，ASCA算法找到的最优解不仅精度更高，而且其收敛速度也更快。总体来说，ASCA算法是一个非常高效的优化算法。

三、参考文献

[1] 牛培峰, 吴志良, 马云鹏, 等. 基于正弦余弦算法的汽轮机热耗率预测[J]. 动力工程学报, 2018, 38(2): 85-91.