2026年一区优化算法——状态转移算法 ，MATLAB代码免费分享

状态转移算法（State Transition Algorithm, STA）是一种受到建构主义学习理论启发的智能优化方法。这种被称为“知识构建者”的学习范式，不仅具备系统性知识获取能力，更拥有构建全局性、最优性与可控性的内在逻辑——它能够通过扩展变换实现全局探索，利用旋转变换增强局部寻优，并借助平移与轴射变换加速收敛进程。科研人员正是借鉴这一科学的学习机制，提出了STA算法，模拟了状态空间的三大变换策略：全局扩展搜索、局部旋转精炼，以及启发式平移加速。这些策略被巧妙地转化为数学模型，在解决复杂优化问题时展现出强大的搜索能力和平衡性能。

该成果于2026年发表于计算机领域1区期刊 IEEE Transactions on Systems, Man, and Cybernetics: Systems，在相关领域具有重要的影响力。

1、算法原理

（1） STA基础理论 状态转移算法是一种基于建构主义学习的智能优化方法，其核心概念为状态与状态转移。给定当前状态 ，STA中生成候选状态  的统一形式表述如下：

其中，  表示对应第  次迭代优化问题候选解的状态；  可视为当前与历史状态的函数或被独立定义；  和  为状态转移矩阵，它们与公式中的更新规则共同构成核心状态变换算子。受状态空间表示法启发，精心设计了四种专门的状态变换算子以促进优化问题的求解搜索。

旋转变换 (RT)：

其中  为旋转因子；  是定义在区间  上的均匀分布随机变量；  是一个随机向量，其分量均为区间  内的均匀分布随机变量。

该旋转变换能够在最大半径为  的超球体内进行搜索，如下图所示。

平移变换 (TT)：

其中  为平移因子，  是定义在区间  上的均匀分布随机变量。该平移变换能够沿  方向进行搜索，最大步长为 ，如下图所示。

扩展变换 (ET)

其中  为扩展因子，  是一个随机对角矩阵，其元素服从正态（高斯）分布，该变换将  的分量扩展到 ，从而能够实现在整个空间上的搜索，如下图所示。

轴射变换：

其中  为轴射因子，  是一个对角矩阵，该矩阵中只有一个对角元素非零且服从正态（高斯）分布。该轴射变换旨在沿坐标轴进行一维搜索，从而增强在单一维度上的搜索能力，如下图所示。

通过利用状态变换算子、采样技术及更新策略，基本STA的核心过程可用以下伪代码描述。

（2）基于预测建模的新型平移变换

在STA中，平移变换作为一种启发式搜索机制，用于生成更多潜在解，并且能够沿前一最优解至当前最优解的连线方向进行搜索。这一设计是直观的，因为当前最优解是对前一最优解的改进。从回归分析的角度来看，标准STA中的平移变换是一种具有归一化尺度的一阶预测模型，但仅利用了最后一个最优解。为充分利用历史最优解，本部分提出了基于一阶和二阶预测模型的新型平移变换。

其中  为实际值，  为高斯白噪声，  和  分别称为自回归阶数和移动平均阶数，  为差分阶数。为确保序列能够收敛，提出如下基于一阶和二阶预测模型的新型平移变换：

其中 表示当前状态， 和为历史状态。 是定义在区间上的均匀分布随机变量。此外，为反映差分阶数的影响， 和 从历史最优档案中随机选取。一阶与二阶预测模型之间的差异如下图所示。

[1]Zhou X, Yang C, Gui W, et al. Efficient state transition algorithm with guaranteed optimality[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2026.

完整代码获取

后台回复关键词：

TGDM966

获取更多代码：

或者复制链接跳转：https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu