刘小娟，王联国

甘肃农业大学信息科学技术学院，兰州 730070

正弦余弦算法（Sine cosine algorithm，简称SCA）是2016年由澳大利亚学者Seyedali Mirjalili提出的一种新型仿自然优化算法[1].该算法通过创建多个随机候选解，利用正余弦数学模型来求解优化问题，具有结构简单、参数少、易于实现的特点，但也存在优化精度低、容易陷入局部极值、收敛速度慢等问题.

近年以来，许多学者与研究人员对SCA进行了相关的研究与改进.其中，文献[2]通过分析转换参数，设计出转换参数抛物线函数递减和指数函数递减两种正弦余弦算法，并以协同过滤推荐算法中相似度函数的计算为应用对象，验证了改进指数函数递减正弦余弦算法的可行性和有效性；文献[3]通过引入惯性权重和反向学习策略，在提高算法收敛精度的同时加快了其收敛速度；文献[4]结合正弦余弦参数和候选解惯性权重提出了一种改进的正弦余弦算法，通过仿真实验说明了改进算法的有效性；文献[5]提出了一种基于改进正弦余弦算法的光谱特征峰识别定位方法，实验表明该方法在识别率等多方面均有显著提高；文献[6]提出了一种基于精英混沌搜索策略的交替正余弦算法，并将基于该策略的改进算法与反向学习算法交替执行以增强其探索能力，降低了算法时间复杂度并提高了收敛速度；文献[7]通过引入精英反向学习策略，并利用个体的反思学习能力对正弦余弦算法进行改进，提高了算法的寻优精度；文献[8]提出了一种基于非线性转换参数和随机差分变异策略的正弦余弦算法，并利用该算法优化神经网络参数以解决经典分类问题；……