SCA优化算法matlab

SCA（Sine Cosine Algorithm）是一种基于三角函数的优化算法，可以用于解决单目标和多目标优化问题。在MATLAB中，可以通过编写代码来实现SCA算法。以下是SCA算法的基本步骤：

1. 初始化种群：随机生成一定数量的个体作为初始种群。
2. 计算适应度：根据问题的目标函数计算每个个体的适应度。
3. 更新个体位置：根据SCA算法的公式更新每个个体的位置。
4. 达到停止条件：当达到预设的停止条件时，停止算法并输出最优解。

以下是SCA算法的MATLAB代码示例：

function [bestSol, bestFit] = SCA(fitnessFunc, dim, lb, ub, maxIter, popSize)
    % 初始化种群
    pop = rand(popSize, dim) .* (ub - lb) + lb;
    % 计算适应度
    fit = fitnessFunc(pop);
    % 记录最优解和最优适应度
    [bestFit, idx] = min(fit);
    bestSol = pop(idx, :);
    % 迭代更新
    for i = 1:maxIter
        % 更新个体位置
        for j = 1:popSize
            r1 = rand();
            r2 = rand();
            A = 2 * r2 - 1;
            C = 2 * r1;
            D = abs(C * bestSol - pop(j, :));
            newSol = bestSol - A * sin(2 * pi * r1) .* D;
            % 边界处理
            newSol = max(newSol, lb);
            newSol = min(newSol, ub);
            % 计算适应度
            newFit = fitnessFunc(newSol);
            % 更新最优解和最优适应度
            if newFit < bestFit
                bestFit = newFit;
                bestSol = newSol;
            end
            % 更新个体位置
            pop(j, :) = newSol;
            fit(j) = newFit;
        end
    end
end