针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA...针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA-CBS采用结合Logistic与Tent的混合混沌映射进行种群初始化,从而获得更加均匀和多样的初始种群;受秃鹰搜索算法所启发,CSCA-CBS采用带有疯狂算子的秃鹰搜索策略,该策略能够提升CSCA-CBS的全局探索能力;为了在迭代后期避免陷入局部最优区域,CSCA-CBS使用逐维反向柯西变异策略对种群进行有规律的扰动,极大地集成了反向学习和柯西变异的优势。在15个基准函数上进行的仿真实验结果表明,CSCA-CBS在计算代价和可靠性、解的质量分析以及收敛性能等方面优于多种先进的SCA变体和非SCA基准算法。此外,土壤水分特征曲线的参数反演实验进一步验证了CSCA-CBS的实用性和有效性。展开更多
文摘针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA-CBS采用结合Logistic与Tent的混合混沌映射进行种群初始化,从而获得更加均匀和多样的初始种群;受秃鹰搜索算法所启发,CSCA-CBS采用带有疯狂算子的秃鹰搜索策略,该策略能够提升CSCA-CBS的全局探索能力;为了在迭代后期避免陷入局部最优区域,CSCA-CBS使用逐维反向柯西变异策略对种群进行有规律的扰动,极大地集成了反向学习和柯西变异的优势。在15个基准函数上进行的仿真实验结果表明,CSCA-CBS在计算代价和可靠性、解的质量分析以及收敛性能等方面优于多种先进的SCA变体和非SCA基准算法。此外,土壤水分特征曲线的参数反演实验进一步验证了CSCA-CBS的实用性和有效性。
