正余弦优化算法(SCA)与SCASL改进策略详解

1. 正余弦优化算法(SCA)基础解析

正余弦优化算法(Sine Cosine Algorithm, SCA)是一种基于数学函数的元启发式优化算法，由澳大利亚学者Seyedali Mirjalili于2016年提出。该算法通过模拟正弦和余弦函数的波动特性来实现搜索空间的探索与开发。

1.1 SCA核心原理

SCA的核心位置更新公式如下：

python复制X_i^{t+1} = X_i^t + r1 * sin(r2) * |r3 * P_i^t - X_i^t|  # 当r4 < 0.5时
X_i^{t+1} = X_i^t + r1 * cos(r2) * |r3 * P_i^t - X_i^t|  # 当r4 ≥ 0.5时

其中：

• r1决定移动方向（向最优解或远离最优解）
• r2决定移动步长
• r3为随机权重（0-2之间）
• r4用于选择正弦或余弦更新方式

注意：r1参数会随着迭代线性递减，这是SCA平衡探索与开发的关键机制。初始阶段r1较大有利于全局搜索，后期r1较小则偏向局部精细搜索。

1.2 SCA的优缺点分析

优势：

• 结构简单，参数少（仅需调节种群规模和迭代次数）
• 收敛速度较快
• 数学理论基础明确

局限性：

• 易陷入局部最优（特别是处理多峰函数时）
• 后期搜索效率下降明显
• 对高维问题表现不稳定

2. SCASL改进算法深度剖析

2.1 非线性权重改进策略

传统SCA使用线性递减的r1参数：

python复制a = 2 - t * (2 / max_iter)  # 线性递减

SCASL采用非线性权重更新：

python复制alpha = 2  # 初始权重
beta = 10  # 非线性调节因子
w = alpha - (alpha - 1) * (t / max_iter) ** beta

这种改进带来三个显著优势：

1. 前期权重下降缓慢，延长全局搜索时间
2. 后期权重快速衰减，增强局部搜索能力
3. 通过beta参数可灵活调节衰减曲线

实测数据表明：当beta=10时，算法在前30%迭代保留80%以上的探索能力，而后70%迭代快速转入开发阶段。

2.2 Levy飞行扰动实现细节

Levy飞行是一种具有重尾特征的随机游走策略，其步长服从Levy分布。SCASL中的实现关键点：

1. 采用标准柯西分布近似Levy飞行：

python复制levy = np.random.standard_cauchy((1, dim))

2. 扰动概率设置为20%：

python复制if np.random.rand() < 0.2:
    positions[i] += 0.01 * levy * (positions[i] - best_position)

3. 扰动强度系数0.01经过多次实验验证：

• 过大导致搜索不稳定