莱夢1. 正弦余弦算法基础认知
当我在2016年首次读到Seyedali Mirjalili那篇关于正弦余弦算法（Sine Cosine Algorithm, SCA）的论文时，就被这种基于简单三角函数构建的优化方法所吸引。经过多年在工业优化项目中的实践验证，我发现SCA在解决高维非线性问题时展现出的性能，往往比传统算法更令人惊喜。
SCA本质上属于群体智能优化算法家族，与粒子群优化（PSO）、遗传算法（GA）等属于同一类别。但其核心迭代公式却出奇地简洁：
python复制X_{t+1} = X_t + r1 * sin(r2) * |r3 * P_t - X_t| # 正弦更新公式
X_{t+1} = X_t + r1 * cos(r2) * |r3 * P_t - X_t| # 余弦更新公式
其中r1、r2、r3是控制参数，P_t表示当前最优解。这种将三角函数振荡特性与随机因子相结合的更新机制，使得算法在探索（全局搜索）和开发（局部精调）之间实现动态平衡。
关键理解：r1参数实际上决定了搜索半径的衰减过程，其典型更新公式为：
r1 = a - t*(a/T)
其中a为常数（通常取2），t为当前迭代次数，T为总迭代次数。这种线性递减策略使得算法早期侧重全局探索，后期聚焦局部优化。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数学原理深度剖析
2.1 三角函数的核心作用
正弦和余弦函数的周期性振荡特性，为算法提供了天然的探索能力。在二维解空间可视化中可以观察到，解向量的更新轨迹会形成类似花瓣状的搜索模式。这种特性带来三个显著优势：
- 逃离局部最优：当r2∈(π,2π)时，sin/cos函数值为负，使搜索方向反转，有助于跳出局部最优陷阱
- 动态调整步长：三角函数值的[-1,1]变化范围，配合r1的衰减，实现步长的自适应调节
- 搜索方向多样性：随机参数r2使得每次迭代的搜索方向具有不可预测性
2.2 参数敏感性实验
通过CEC2017测试函数的系统测试，我们发现各参数的敏感度排序为：
| 参数 | 理想范围 | 影响程度 | 调整建议 |
|---|---|---|---|
| r1初始值(a) | 1.5-2.5 | ★★★★☆ | 增大值增强全局搜 |