王联国 刘小娟

甘肃农业大学信息科学技术学院，兰州，730070

0 引言

正弦余弦算法(sine cosine algorithm，SCA)[1]是一种基于正弦余弦函数模型的群体智能算法。该算法主要利用三角函数模型的周期振荡性使其趋于问题的最优解，同时嵌入随机参数和自适应参数，平衡算法的全局探索阶段与局部开发阶段。尽管SCA控制参数较少、模型简单、易于实现、全局寻优能力强，但与其他智能优化算法一样，在迭代后期仍易出现局部开发能力差、收敛速度慢和求解精度低等问题，致使算法陷入局部最优。

为了提高SCA的优化性能，国内外学者相继以不同策略对SCA进行了改进。刘勇等[2]通过分析转换参数，设计出了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；徐明等[3]提出了一种基于非线性转换参数和随机差分变异策略的改进正弦余弦算法，并利用该算法优化神经网络参数解决了两类经典的分类问题；曲良东等[4]通过对正弦余弦算法进行简化，提出了一种简化的正弦余弦算法，仿真实验结果表明新算法的搜索效率明显高于基本正弦余弦算法；方旭阳等[5]通过引入精英反向学习策略及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，也避免了其未成熟收敛；郭文艳等[6]提出了一种基于精英混沌搜索策略的交替正弦余弦算法，增强了算法的探索能力，降低了算法时间复杂度，提高了算法收敛速度；……