融合正余弦和柯西变异的麻雀搜索算法(Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

麻雀搜索算法（sparrow search algorithm，SSA）是薛建凯等[1] 在2020年提出的一种新型优化算法，主要通过模拟麻雀捕食和反捕食的行为特征进行数学建模。麻雀搜索算法具备结构简单、控制参数少、求解精度高等优点。尽管出现时间较短，但在实际工程应用也逐步增加，Liu 等[2] 针对现有的脑瘤诊断算法存在成功率不足，以及在治疗过程中不能及时跟踪进程，引进了 SSA进行优化，增强了检测能力。Zhu 等[3] 使用 SSA 对聚合物电解质燃料电池（PEMFC）堆的辨识参数进行优化，成功地降低了电池中电压误差，提高了电能转换效率。

针对SSA算法在寻优后期出现群体多样性损失，造成落入局部极值的几率升高，引发收敛精度不足问题，本文采用一种折射反向学习机制对麻雀种群初始化。反向学习是 Tizhoosh 提出的一种优化策略[9] ，基本思想是通过计算当前解的反向解来扩大搜索范围，借此找出给定问题更好的备选解。文献[10-11]将智能算法与反向学习结合，均能有效提高算法求解精度。同时反向学习仍存在一定的不足，在寻优早期引进反向学习能够加强算法的收敛性能，但在后期易使算法陷入早熟收敛。

因此在反向学习策略中引进一种折射原理[12] 以降低算法在搜索后期陷入早熟收敛的几率。折射反向学习原理如图1所示。

📚2 运行结果

部分代码：

%% Figure
figure1 = figure('Color',[1 1 1]);
G1=subplot(1,2,1,'Parent',figure1);
func_plot(Function_name)
title(Function_name)
xlabel('x')
ylabel('y')
zlabel('z')
subplot(1,2,2)
G2=subplot(1,2,2,'Parent',figure1);
CNT=35;
k=round(linspace(1,iter,CNT)); %随机选CNT个点
% 注意：如果收敛曲线画出来的点很少，随机点很稀疏，说明点取少了，这时应增加取点的数量，100、200、300等，逐渐增加
% 相反，如果收敛曲线上的随机点非常密集，说明点取多了，此时要减少取点数量
iter=1:1:iter;
semilogy(iter(k),PSO_curve(k),'k-','linewidth',1);
hold on
semilogy(iter(k),GWO_Convergence_curve(k),'r-','linewidth',1);
hold on
semilogy(iter(k),SSA_Convergence_curve(k),'c-','linewidth',1);
hold on
semilogy(iter(k),SCSSA_Convergence_curve(k),'m-','linewidth',1);
grid on;
title('收敛曲线')
xlabel('迭代次数');
ylabel('适应度值');
box on
legend('PSO','GWO','SSA','SCSSA')
set (gcf,'position', [300,300,800,320])