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.     

求解全局优化问题的改进灰狼算法

灰狼算法是一种高效的优化技术,但其在一些问题上存在求解精度不高、收敛速度较慢和易于陷入局部最优的缺点。因此,提出了一种改进的灰狼优化算法（MGWO）。该算法引入了3种改进策略：平衡算法全局搜索性和局部开发性的指数规律收敛因子调整策略、提高算法求解精度的自适应位置更新策略和修订动态权重策略。通过两组在10个基准测试函数上的对比实验,验证3种改进策略的有效性。实验结果表明,综合使用3种策略的MGWO_4明显提升了基本灰狼算法（GWO）的性能,而且优于其他文献中的改进灰狼算法和其他数个优化算法。最后,在工程设计问题上的实验结果进一步证明了MGWO高效的寻优能力。     

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。     

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.     

基于改进灰狼优化算法的医学数据特征选择应用研究

针对灰狼优化算法收敛速度慢、寻优精度低、易陷入局部最优等缺陷,提出一种基于差分进化(DE)的灰狼优化算法(GWODE).该算法在灰狼优化算法的基础上,引进差分进化机制生成变异种群,通过调节缩放因子和交叉概率因子避免算法陷入局部最优.引入精英保留策略,根据进化后狼群适应度进行排序,淘汰适应度差的灰狼,同时再引进相同数量灰狼确保种群的竞争力.本文将该算法应用于生物医学诊断方面.实验结果表明,本文提出的算法性能优于实验对比的特征选择算法.     

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。     

基于黄金正弦与重启机制的二进制樽海鞘算法

针对樽海鞘算法在解决优化问题时存在收敛速度慢，易陷入局部最优解等问题，提出一种基于黄金正弦与重启机制的二进制樽海鞘改进算法.利用佳点集策略进行种群初始化，提高种群多样性；使用黄金正弦算法对樽海鞘领导者位置进行二次更新，提升算法的收敛速度和精度；在追随者位置更新过程中引入重启机制，防止算法陷入局部最优.为验证改进算法的性能，选取8个经典基准函数进行仿真实验，通过标准差评估、Wilcoxon检验及收敛速度对比等方法进行对比分析，结果表明，与现有5种二进制群优化算法相比，改进算法的收敛速度和寻优精度均有明显提升.     

Logistic动态粒子群优化算法的改进及分析

分析了Kennedy最新提出的高斯动态粒子群优化算法（GDPSO）的寻优模式,针对GDPSO的特点,结合粒子群优化算法的新寻优模式,提出了Logistic动态粒子群优化算法（LDPSO）;并基于LDPSO和GDP—SO的特性,设计了LDPSO算法的两种改进策略——混合优化策略和最优粒子变异策略,混合优化策略用以提高收敛速度,最优粒子变异策略用以保持群体多样性,避免算法陷入局部最优。实验结果显示了LDPSO及其改进算法的有效性。     

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.     

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法（SCA,sine cosine algorithm）局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法（SCASL,sine cosine optimization algorithm with self-learning strategy and Lévy flight）。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。     

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.     

解决高维优化和特征选择的多策略改进正弦余弦算法

针对基本正弦余弦算法(sine cosine algorithm, SCA)求解高维复杂优化问题时存在精度低、收敛慢和易陷入局部最优等缺点,提出一种改进的SCA(improved sine cosine algorithm, iSCA)。首先,该算法设计出一种基于倒S形函数的非线性转换参数规则替代原有线性策略,从而实现从全局搜索到局部搜索的良好过渡;其次,嵌入个体历史最佳信息修改位置搜索方程以指导寻优过程,进一步改善算法的解精度和加快收敛;最后,引入翻筋斗觅食机制生成新的位置以增加群体多样性,从而降低算法陷入局部最优的概率。选取10个高维基准测试函数、10个UCI高维数据集和2个风电机组故障数据集进行仿真实验,并与基本SCA、MSCA(memory-guided SCA)和I-GWO(improved grey wolf optimizer)算法比较,结果表明,iSCA算法在精度和收敛指标上均优于其他比较方法。     

基于文化混洗蛙跳算法求解连续空间优化问题

针对混洗蛙跳算法在求解高维函数时易陷入局部最优解的问题, 提出一种文化混洗蛙跳算法, 利用群体空间和信念空间的个体通过接受函数和影响函数完成 信息交换和全局寻优. 首先, 信念空间个体通过螺旋更新和随机游走的方式在较优个体附近寻找更优个体; 其次, 群体空间的最差个体通过借鉴不同知识平衡局部寻优与全局探索的关系, 进而提高算法的寻优精度并加快收敛速度; 最后, 将该算法与12种智能算法进行寻优对比, 对典型高维基准函数的测试结果表明, 该算法的收敛精度和计算速度均较好.     

基于文化混洗蛙跳算法求解连续空间优化问题

针对混洗蛙跳算法在求解高维函数时易陷入局部最优解的问题, 提出一种文化混洗蛙跳算法, 利用群体空间和信念空间的个体通过接受函数和影响函数完成 信息交换和全局寻优. 首先, 信念空间个体通过螺旋更新和随机游走的方式在较优个体附近寻找更优个体; 其次, 群体空间的最差个体通过借鉴不同知识平衡局部寻优与全局探索的关系, 进而提高算法的寻优精度并加快收敛速度; 最后, 将该算法与12种智能算法进行寻优对比, 对典型高维基准函数的测试结果表明, 该算法的收敛精度和计算速度均较好.     

基于子种群的改进人工蜂群算法

针对人工蜂群算法以及现有改进算法的不足,提出了一种基于子种群的改进人工蜂群算法.此算法利用个体适应值与种群适应值平均值的比较,将种群划分为两个子种群,每个子种群采用不同的搜索方式,有效地平衡了不同搜索方式的探索和开发能力.此外,采用分段Logistic方程的初始化方法产生初始解,提高算法的收敛速度.与基本蜂群算法和其他改进蜂群算法进行比较,数值仿真结果表明,所提算法在处理复杂数值优化问题时具有更好的寻优精度和收敛速度.