【技术实现步骤摘要】
一种改进的正余弦算法
本专利技术属于进化算法
，涉及一种改进的正余弦算法。
技术介绍
正弦余弦算法(SineCosineAlgorithm，SCA)是2016年提出的一种基于种群的优化算法。该算法结构简单，易于实现，其随机参数很好的平衡了算法的探索与开发能力，获得广泛的应用。但该算法存在易陷入局部最优、求解精度不足，收敛速度较慢等问题，许多学者对其进行了改进研究，论文《Ahybridself-adaptivesinecosinealgorithmwithoppositionbasedlearning》，下文记作MSCA，由Shubhamgupta等人提出，MSCA使用反向学习生成初始种群，并在搜索方程中加入自适应成分，利用个体最优值更新位置，从而使算法从局部最优跳出，并探索所有有潜力的搜索空间；论文《Animprovedsine–cosinealgorithmforsimultaneousnetworkreconfigurationandDGallocationinpowerdistributionsystems》，下...
【技术保护点】
1.一种改进的正余弦算法，其特征在于，具体包括如下步骤：/n步骤1，设置最大迭代次数T并根据拉丁超立方种群初始化策略来生成初始种群X
【技术特征摘要】
1.一种改进的正余弦算法，其特征在于，具体包括如下步骤：
步骤1，设置最大迭代次数T并根据拉丁超立方种群初始化策略来生成初始种群Xi,j，其中i＝1,2,3,...,N，j＝1,2,3,...,D，N为种群数，D为问题维数；
步骤2，对步骤1产生的初始种群Xi,j进行适应度值计算，保存适应度值最小的个体及对应的适应度值，得到初始全局极值；
步骤3，根据动态分级策略将种群划分为较好种群、中等种群和较差种群；
步骤4，对经步骤3划分后的种群采用不同的策略进行扰动更新；
步骤5，判断随机数rand是否小于控制参数pr,如果是，将经步骤4扰动的各种群进行合并，对合并后的种群应用全局搜索策略更新，否则，直接对未扰动的种群应用全局搜索策略更新；
步骤6，调用测试函数求出经步骤5得到的种群的适应度值；
步骤7，比较当前全局极值和步骤6得到的适应度值，保留最小的适应度值及对应适应度值的个体作为新的全局极值和该全局极值对应的个体；
步骤8，判断当前迭代次数，若当前迭代次数小于等于最大迭代次数T，则转到步骤3，生成新的种群，若当前迭代次数大于最大迭代次数T，则输出当前全局极值和该全局极值对应的个体。
2.根据权利要求1所述的一种改进的正余弦算法，其特征在于：所述步骤1中的拉丁超立方种群初始化策略的具体步骤如下：
步骤1.1，确定种群的维数D和种群规模N；
步骤1.2，确定变量X的区间为[ub,lb]，ub和lb分别是变量的下界和上界；
步骤1.3，将变量X的区间[ub,lb]划分为N个相等的子区间；
步骤1.4，在每一维里各个子区间中随机抽取一个点；
步骤1.5，将抽取的每一维的点组合形成初始种群。
3.根据权利要求2所述的一种改进的正余弦算法，其特征在于：所述步骤3中的动态分级策略如下公式(1)所示：
其中，Xi,j是所有种群，Xi,a，Xi,b，Xi,c是按照适应度值排序后得到的较好、中等和较差种群，m，n是动态分级的边界，N为种群规模；t为当前迭代次数；T为最大迭代次数。
4.根据权利要求3所述的一种改进的正余弦算法，其特征在于：所述步骤4的具体过程为：
步骤4.1，对适应度值较差的种群Xi,a，采用如下公式(2)策略对满足破坏条件的粒子进行扰动：
式中，是第t次迭代...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。