基于Logistic模型和随机差分变异的正弦余弦算法

摘要：

针对标准正弦余弦算法(Sine Cosine Algorithm,SCA)处理全局优化问题时存在收敛速度慢、易陷入局部最优和求解精度低的缺点,文中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(LS-SCA).首先,设计一种基于Logistic模型的非线性转换参数策略以平衡算法的全局搜索和局部开发能力;其次,引入随机差分变异策略以增强种群的多样性与避免算法陷入局部最优;最后,将非线性转换参数和随机差分变异策略进行融合.一方面,选取12个标准测试函数进行全局寻优的仿真实验.结果表明,与其他SCA类算法和最新智能算法相比,LS-SCA在收敛精度和收敛速度指标上均能达到较优的效果.其中,随机差分变异策略对LS-SCA全局寻优能力的提升尤为明显.另一方面,利用LS-SCA优化神经网络参数解决了两类经典分类问题.实验结果表明,与传统的BP算法和其他智能算法相比,基于LS-SCA的神经网络能达到较高的分类准确率.

关键词：正弦余弦算法、非线性转换参数、随机差分变异、Logistic模型、神经网络

所属期刊栏目：47

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金;贵州省高校科技拔尖人才支持计划;贵州省微分-差分动力系统应用科技创新人才团队

在线出版日期：2020-04-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：206-212