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.     

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.     

基于莱维飞行和高斯分布的改进教与学算法

教与学优化算法(TLBO)是一种基于课堂教学学习过程的新型元启发式算法,在解决众多科学和工程问题方面表现出了卓越的性能.然而,许多研究表明,TLBO在问题的求解过程中搜索能力较差,算法易陷入局部最优.针对这一问题,提出了一种基于莱维飞行和高斯分布的教与学优化算法(LTLBO-GD).一方面,将原有的TLBO算法与莱维飞行策略相融合,在教学阶段前期增强老师的学习能力,选择出教学能力突出的老师.另一方面,在学习阶段加入高斯分布局部搜索算子,引导学生进行自学习模式,高斯分布主要是对班级中某一维度进行搜索,从而增强算法单维搜索能力和收敛速度.测试实验结果表明,LTLBO-GD算法在求解精度和收敛速度上都有了显著的改善,并且在求解效果上也明显优于TLBO算法,在典型的标准测试函数优化问题中其优越性更加突出.     

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。     

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。     

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.     

一种优化初始中心点的K-Means文本聚类算法

为解决传统K-Means算法以及它的变种会产生较大波动的聚类结果的问题,使用改进的模拟退火算法来优化初始中心,得到一种适合对文本数据聚类分析的算法.把改进的模拟退火算法和K-Means算法结合在一起,从而达到既能发挥模拟退火算法的全局寻优能力,又可以兼顾K-Means的局部寻优能力,较好地克服了K-Means对初始化敏感、容易陷入局部最优的缺点.实验证明,该算法可以生成质量较高而且聚类质量波动性较小的结果.     

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。     

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.     

基于模拟退火的单向环蛙跳算法在优化问题中的应用

针对混合蛙跳算法求解优化问题时,进化后期种群多样性降低,算法极易陷入局部最优的问题,借鉴模拟退火算法中的Metropolis判别准则改进混合蛙跳算法中的族群内部寻优能力.同时,在族群之间构建一个单向环迁移机制,从而增强算法后期跳出局部最优的能力.对几种典型函数以及TSP问题的测试结果表明:基于模拟退火的混合蛙跳算法的全局搜索能力有了显著提高,并能有效避免陷入局部最优问题.     

多敏捷卫星协同任务规划调度方法研究

敏捷卫星任务规划调度是一个具有长时间窗、多时间窗的复杂约束的多目标组合优化问题。本文基于任务质量,通过分析敏捷卫星对地观测任务规划问题的需求、特点和约束,构建了敏捷卫星任务规划组合优化模型;并在原有模拟退火算法的基础上,设计了基于相似度和聚集度的遗传模拟退火混合算法,通过相似度和聚集度,在染色体变异过程中,当种群聚集度大的时候,增加染色体的变异概率,从而增加种群的多样性。利用遗传算法的全局搜索能力有利于改变模拟退火算法容易陷入局部最小点的缺点,寻找到更优的结果,使算法达到全局搜索能力与局部搜索能力的平衡,经实际卫星任务数据验证算法有效可行。     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷，综合考虑最大完成时间最少、任务执行总时间最优两个优化目标，提出一种多策略融合的粒子群优化算法(Multi-Strategy Particle Swarm Optimization, MSPSO)，并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先，通过模拟退火算法动态更新惯性权重，平衡粒子群优化算法的全局搜索和局部搜索，帮助粒子跳出局部极值。然后，引入饥饿游戏搜索算法优化粒子位置更新策略，在算法后期加快粒子收敛速度，提高结果精度。最后，采用双重变异限制策略，同时限制粒子速度和位置，避免粒子发生越界。与其他三种粒子群优化算法进行对比实验，在适应度平均值、最小值、标准差三方面MSPSO都有更好的表现。通过仿真，在求解不同任务量的云计算任务调度问题中，MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时，MSPSO总成本比其他算法分别低了14.4%、15.3%、11.2%，适应度值分别低了10.5%、10.6%、7.6%，验证了所提算法在求解云计算任务调度问题中的有效性。     

基于改进遗传退火算法的高速公路巡逻车路径优化调度

为了合理分配有限的高速公路巡逻车资源,构建了确定型高速公路巡逻车路径及调度优化模型。探讨了有限巡逻车资源路径、调度优化建模问题;构建了以全覆盖模型为基础,以事故响应时间最小为目标的优化模型。将连通的路径作为染色体,基于MATLAB对改进的遗传退火算法进行编码,采用动态交叉及变异概率,在交叉变异后子代更新中引入模拟退火算法Metropolis准则;并在改进的遗传退火算法中加入动态规划算法对巡逻车进行分配。以Sioux Falls路网及数据,对MATLAB编码的遗传退火算法进行验证,计算结果与两种情景假设及模拟退火算法优化结果作比较。结果表明:改进的遗传退火算法求解结果比相应的情景假设求得事故响应时间分别减少了23. 35%与28. 28%;与模拟退火算法求解结果相比,该方法具有更好的寻优效果及计算效率。MATLAB编码的改进遗传退火算法对中大型路网路径、调度寻优效果较好。     

加入局部搜索的非劣分层多目标遗传算法

针对非劣分层多目标遗传(NSGA)本身所存在的局部搜索能力和易早熟的问题,鉴于模拟退火算法的局部搜索能力强和在解决易早熟问题上的优势,提出了加入局部搜索的多目标遗传算法及适用于多目标优化的模拟退火局部搜索算法和跳转准则,即在NSGA的每一代个体中的1层、2层非劣解附近进行模拟退火局部搜索.该算法能够提高非劣分层多目标遗传算法的效率,弥补了遗传算法中局部搜索能力差、易早熟的缺点.最后给出的仿真结果表明了这种算法的有效性.     

模拟退火算法机理研究

从机理上分析了采用Metropolis概率接受准则的重要性 ,认为按照该准则可以使模型跳出局部极小值 ,避免了落入局部极小点的可能 ,然后在退火计划的控制下模拟退火算法 ,最终可以找到最优解 ;深入分析了算法的退火计划和模型扰动 ,以及两者之间的配合的技巧 ,认为算法本身可以作进一步的改进 ;并提出了改进的思路 ,为下一步的具体改进打下了基础     

珊瑚礁算法的改进研究

珊瑚礁算法易于陷入局部最优且寻优精度低，因此提出一种改进的珊瑚礁算法.此算法借鉴粒子群算法、高斯变异和模拟退火算法的思想改进珊瑚礁算法的内部有性繁殖、无性繁殖和更替机制，提高了算法的寻优精度并可跳出局部最优.在仿真实验中，将改进珊瑚礁算法与基本珊瑚礁算法和粒子群算法等10种算法分别在高维和低维测试函数下进行比较.实验结果表明，改进的珊瑚礁算法不仅较其他算法具有更好的收敛速度和精度，而且在高维测试函数中，仍然可以保持良好的性能.     

面向闭塞分区划分问题的模拟退火算法研究

闭塞分区划分是区间闭塞设计的重要内容,对列车运行的安全和效率有直接影响。为较好地提出划分方案,在深入地分析了闭塞分区划分方案的各种影响因素及目标之后,提出了闭塞分区划分的优化模型。设计了利用模拟退火算法对闭塞分区划分的基本流程,并采用模拟退火算法对该模型求解。由于模拟退火算法具有概率式搜索的特点,可避免使搜索结果陷入局部最优解,而得到全局最优解。结合实例研究表明模拟退火算法对闭塞分区划分问题的优化是有效的,并在得到不同目标的划分方案的基础上,在综合考虑安全、效率和经济的因素之后选用合理的划分方案,从而提高了闭塞分区划分的效率和质量。     

最优模糊神经网络参数的设计--混沌模拟退火学习法

提出了一种新型优化算法———混沌模拟退火学习法,将混沌算法和模拟退火算法相结合学习模糊神经网络的结构和参数。首先将混沌变量引入模糊神经网络参数的优化搜索中,利用混沌变量的遍历性寻优,根据性能指标寻找较优的模糊神经网络控制器,然后在混沌优化确定的网络基础上,把经混沌搜索后得到的全局次优解作为模拟退火学习算法的初始值,再用模拟退火方法进一步学习网络的隶属函数和权值参数,找到一个全局最优的网络。仿真结果表明:混沌模拟退火学习法优于传统优化方法,其控制结果具有精度高、超调小和响应快的优点,为解决模糊神经网络控制器参数全局最优设计提供了一种切实有效的方法。