一种改进的教与学优化算法

针对教与学优化(TLBO)算法在解决高维复杂优化问题时易陷入局部最优的缺点,提出一种改进的教与学优化(ITLBO)算法.该算法首先提出自适应教学因子,然后对学员阶段进行改进,使得学员的学习能力不仅受到学员之间的相互影响,而且受到老师的影响,从而增强算法的全局搜索能力.最后对6个无约函数进行实验测试,所得结果与TLBO算法进行比较.数值结果表明,ITLBO算法不论是在收敛速度还是在寻优精度上均优于TLBO算法.     

带有交叉操作的教-学优化算法

针对教-学优化算法(TLBO)求解无约束数值优化问题容易陷入局部最优的不足,提出了一种带有交叉操作的教-学优化算法(C-TLBO).将差分进化算法的交叉操作引入到TLBO算法中,有效地融合了教学阶段和学习阶段,增强了算法的局部搜索,平衡了算法的开采和探索.数值结果表明该算法在优化精度、收敛速度、鲁棒性方面,优于TLBO算法、I-TLBO算法以及其他智能优化算法,具有良好的发展前景.     

融合模拟退火的改进教与学优化算法

针对教与学优化算法(TLBO)在解决复杂优化问题时易陷入局部最优的缺点,提出了一种融合模拟退火的改进教与学优化算法(SAMTLBO).该算法首先对学员阶段做了改进,在保持TLBO算法简单易实现的基础上,利用模拟退火方法增强了TLBO算法摆脱局部最优的能力,最后用4种算法对8个无约束优化函数仿真.数值实验表明,该算法无论是在收敛速度还是在寻优精度上均优于基本TLBO算法、ETLBO算法和DMTLBO算法.     

基于改进莱维飞行的狼群算法及其在翼型气动优化设计中的应用

智能种群算法在翼型气动优化领域获得越来越多的关注。提出了一种基于改进莱维飞行的狼群算法,并对其寻优性能进行了测试和验证。为平衡算法的局部搜索和全局搜索能力,将局部搜索性能强但易早熟的狼群算法与莱维飞行相结合,在增加收敛速度的同时,保证算法的全局搜索能力。为克服原始莱维飞行效率低、精度差的缺陷,引入高斯核函数自适应调节莱维飞行的搜索步长,以增加其搜索效率;引入四元法,以增加其搜索精度;通过标准测试函数和标准翼型气动优化设计算例验证,表明改进算法在优化效率和全局寻优能力方面均优于原始算法。     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点，设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化，以增加初始种群的多样性；再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动，以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试，结果表明，改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验，结果表明，改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

基于非线性收敛因子和标杆管理的改进教与学优化算法

针对教与学优化算法寻优精度低、收敛速度慢以及局部最优避免性弱的问题,提出了一种改进教与学优化算法（MTLBO）。在算法的教学和学习阶段,分别引入了非线性收敛因子调整策略和标杆管理策略。基于2种策略的随机组合形成了3种不同的MTLBOs,与标准教与学优化算法（TLBO）的对比实验结果表明,3种MTLBO均优于TLBO,其中,引入2种策略的MTLBO3取得了最佳的数值实验结果,其远优于原始TLBO。为进一步验证提出算法的有效性,与其他著名的群智能优化算法进行了数值实验对比。数值结果和收敛曲线表明,MTLBO3的寻优性能明显优于其他对比方法,具有更高的求解精度、更快的收敛速度以及更佳的局部最优避免能力。最后,使用有约束的工程优化问题进一步验证了提出算法的有效性。     

一种改进的基于教与学的优化算法求解旅行商问题

提出了一种改进的基于教与学的优化算法(TLBO)求解旅行商(TSP)问题,阐述了TLBO算法的基本思想和求解步骤,给出了算法流程,针对算法在解决大规模问题时易陷入局部最优的缺陷,引入混沌搜索机制对其进行了改进.着重研究了改进后的TLBO算法求解TSP问题的求解结果和性能分析,通过benchmark实例进行了仿真实验,结果表明:与诸如遗传算法和粒子群优化算法等已有启发式算法相比,改进后的TLBO算法在求解TSP问题时性能更为优越,从而为TSP问题的求解找到了一条新途径.     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization, TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO, ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine, ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。