文献类型：期刊文章

作　　者：徐松金[1] 龙文[2]

Xu Songjin;Long Wen(School of Data Science,Tongren University,Tongren Guizhou 554300,China;Guizhou Key Laboratory of Economics System Simulation,Guizhou University of Finance&Economics,Guiyang 550025,China)

机构地区：[1]铜仁学院大数据学院,贵州铜仁554300 [2]贵州财经大学贵州省经济系统仿真重点实验室,贵阳550025

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61463009;61364003);贵州省科技厅;铜仁市科技局;铜仁学院联合课题(黔科合LH字[2015]7248号);贵州省教育厅创新群体项目(黔教合KY字[2016]051)

年　　份：2018

卷　　号：35

期　　号：9

起止页码：2574-2577

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：提出一种改进的正弦余弦算法(简记为ISCA)。受粒子群优化(PSO)算法的启发,引入惯性权重以提高正弦余弦算法的收敛精度和加快收敛速度。此外,采取反向学习策略产生初始个体以提高种群的多样性和解的质量。采用八个高维基准测试函数进行仿真实验:在相同的最大适应度函数评价次数下,ISCA总体性能上均优于基本SCA和HGWO算法;当维数较高(D=1 000)时,ISCA所用计算量远小于HDEOO算法。实验结果表明ISCA在收敛精度和收敛速度指标上均优于对比算法。

关 键 词：正弦余弦算法  高维优化问题  反向学习  惯性权重

分 类 号：TP301.6]