机器学习实战应用案例100篇-正余弦优化算法从原理到实战应用案例

Posted 2022-08-17 文宇肃然

正余弦优化算法(原理)

1 算法简介

随机种群优化算法的共同点是将优化过程划分为探索与开发两个阶段。

1. 在前一阶段，优化算法将解集中的随机解以较高的随机率突然组合在一起，寻找搜索空间的有希望区域。

2. 而在开发阶段，随机解的变化是渐进的，且随机变化比探索阶段要小得多。

对此，澳大利亚学者Mirjalili于2016年提出正弦余弦算法（Sine Cosine Algorithm，SCA）。

SCA 归纳吸收了部分群智能优化算法的迭代策略，以包含特定个数随机解的集合作为算法的初始解集，重复地通过目标函数评价解的适应度并按照特定更新策略随机迭代解集，最终求得最优解或满足适应度要求的满意。

同大部分群智能优化算法一样，SCA 依靠迭代策略实现解空间的随机搜索，并不能保证在一次运算中找到最优解，但当初始解集规模和迭代次数足够大时，求得最优解的概率大大提高。

SCA 将众多智能优化算法的迭代策略归纳解构为全局搜索和局部开发两个部分：

1. 在全局搜索中，对当前解集中的解施加较大的随机波动来搜索解空间中的未知区域；

2. 在局部开发中，对解集施加微弱的随机扰动来充分搜索当前解的邻域