多尺度正余弦优化算法.pdf

多尺度正余弦优化算法是一种针对标准正余弦算法在进化后期出现停滞现象而提出的改进策略。标准正余弦算法（Sine Cosine Algorithm, SCA）是一种基于数学正余弦函数的全局优化方法，其核心是利用正弦和余弦函数的特性来更新种群中的个体位置，以寻找解决方案空间的全局最优解。然而，在算法运行的后期，由于控制因子的影响，种群多样性可能会逐渐减小，导致算法陷入局部最优，无法进一步探索解决方案空间。 为了解决这个问题，多尺度正余弦优化算法引入了自适应的多尺度控制因子，这种控制因子能够动态调整种群的多样性，使得搜索过程能够在多个尺度上进行，从而增强算法的全局搜索能力。此外，算法还设计了一个协助种群，这个协助种群与主种群并行进化，但保持独立。协助种群的个体可以学习主种群或自身种群中的优秀个体，以加速收敛速度，并提高找到更高质量解的可能性。 论文中提到，标准正余弦算法的种群多样性受到控制因子的直接影响，且随着迭代次数的增加，控制因子的指数会下降，从而影响种群的探索和开采能力。通过引入多尺度控制因子，新算法能够在不同阶段调整探索与开采的平衡，以避免早熟收敛，提高全局优化性能。 实验部分，作者将提出的多尺度正余弦优化算法与改进的正余弦算法以及一些新型的群智能算法进行了比较，结果显示，多尺度正余弦优化算法在保持良好的探索性和开采性之间取得了较好的平衡，有效地提高了算法的全局优化能力。 多尺度正余弦优化算法是一种旨在解决标准正余弦算法进化后期停滞问题的有效方法。它通过自适应的多尺度控制因子和辅助种群机制，增强了算法的全局搜索性能，提高了解的质量和收敛速度。这一算法对于解决复杂的优化问题具有重要的理论价值和实践意义，特别是在需要高精度和全局优化的领域，如工程设计、机器学习参数调优、复杂网络优化等。