“教与学”优化算法研究综述

简要分析了群智能优化算法的研究现状,重点对"教与学"优化算法作了详细的描述,并分析了"教与学"算法的性能及其优缺点;随后介绍了几种改进的"教与学"优化算法,对"教与学"优化算法的应用研究情况进行了论述。最后,说明了目前"教与学"优化算法中存在的问题,并指出"教与学"优化算法未来的研究方向。

基于维修时间窗的柔性作业车间调度优化研究

针对柔性作业车间调度和预防性维护的单目标集成优化问题,以最大完工时间为优化指标,建立了基于维修时间窗的集成优化模型,设计了混合"教与学"优化(HTLBO)算法求解该模型。提出一种"基于工序加工时间最短"的机器序列初始化策略,对部分初始种群进行初始优化,以提高部分初始解的质量,使得算法能够以较短的时间收敛。对文献中柔性作业车间调度的基准问题进行求解并比较其计算结果,初步证明该混合算法的可行性;针对集成维修时间窗的柔性作业车间调度优化模型,借鉴文献中的数据生成实例进行求解,并与其他算法进行比较,证明该混合算法的有效性。

基于多目标优化的时滞广域阻尼控制器设计

提出一种考虑区间模式和本地模式协调的时滞广域阻尼控制器设计新方法。首先,根据能控能观指标找出最佳反馈信号和输出控制量。然后,计算超前滞后补偿的时间常数,并构建区间和本地模式协调优化的多目标函数,应用"教与学"优化算法确定最优增益序列。最后,应用均衡降阶算法对系统进行降阶,基于线性矩阵不等式(LMI)理论分析最优增益序列,选出对时滞鲁棒性最好的值。新英格兰测试系统的仿真结果表明,提出的基于多目标优化的时滞广域阻尼控制器设计方法,在很好地抑制了区间振荡模式的同时,保证本地振荡模式不被恶化,并且对时滞具有很好的鲁棒性。

极端学习机算法的改进及应用研究

极端学习机是一种新型的单隐藏层前馈神经网络模型,其输入权值和隐藏层阈值随机设置,其输出权值解析计算得到。因此,其运算速度是传统的BP神经网络的数千倍,而且具有良好的模型辨识能力。然而,极端学习机的输入权值和隐藏层阈值是随机设定的,可能不是使网络训练目标能达到全局最小值时的最优模型参数。针对此不足,本文采用最小二乘思想确定极端学习机的输入权值和隐藏层阈值。同时,将改进的极端学习机算法应用于电站锅炉的燃烧热效率建模,并与BP、原始极端学习机、粒子群优化极端学习机和"教与学"优化极端学习机算法进行比较,证明了改进算法的有效性。