针对柔性高压直流输电系统的交互式教-学优化算法

提出一种针对柔性高压直流输电系统(VSC-HVDC)的交互式教-学优化算法(ITLO)以获取最优PI控制增益.首先在原始教-学优化算法中引入多个班级来扩大搜索范围;然后在不同班级的教师或学生之间建立小世界网络(SWN),通过深度交互学习实现精确搜索.交互式教-学优化算法能够合理权衡搜索范围和搜索精度,从而有效避免算法陷入局部最优.通过3个算例对所提出算法的有效性进行测试,即有功功率和无功功率追踪、电网短路故障和风电并网,仿真结果验证了其相较于现有启发式优化算法的优越性.

基于混合策略改进的教与学优化算法

为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种群,保证种群的多样性;其次,在教师和学生阶段分别引入黄金正弦算法和基于莱维飞行与对数螺旋线的搜索策略优化个体的位置更新公式,增强并平衡算法的全局和局部收敛性能;最后,设计仿真对其寻优性能进行测试,结果表明改进后的教与学优化算法寻优速度、精度以及稳定性显著提升,且具有较强跳出局部最优的能力。

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.

求解约束优化问题的改进教-学优化算法

提出了一种非线性约束优化问题改进的教-学优化算法,该算法首先提出了自适应的教学因子,对学习阶段的迭代方程进行改进,引入了差分变异策略;其次利用约束违反度函数将约束优化问题转化为无约束双目标优化问题,在每次迭代中按照约束违反度的大小保留部分性能较优不可行个体,有效地维持了种群的多样性;最后数值实验表明,该算法具有较快的收敛速度和较好的全局寻优能力.

0-1非线性规划问题改进的教与学优化算法

将0-1非线性规划问题转化为约束优化问题,采用动态双目标的约束处理方法,对教与学优化算法的迭代方程进行改进,提出了一种求解0-1非线性规划问题的改进教与学优化算法。数值实验表明,新算法具有较快的收敛速度和较好的全局寻优能力,显示了算法的有效性和通用性。

基于改进教与学优化算法的废旧智能手机拆解深度优化研究

针对现有拆解深度决策方法无法客观准确地得到废旧智能手机最优拆解深度的问题,提出了一种基于改进教与学优化(Teaching-Learning-Based Optimization,TLBO)算法的废旧智能手机拆解深度优化方法。构建了拆解利润模型、拆解时间模型和拆解能耗模型并确立拆解深度优化目标,利用改进教与学优化算法求解得到一组最优的拆解深度解集。以小米5手机的拆解过程研究为例,验证了提出的拆解深度优化方法的有效性;结果表明提出的拆解深度优化方法的最优解搜寻能力和收敛速度均得到增强。

改进教与学优化算法求解0-1背包问题

为了有效快速求解0-1背包问题,提出了改进的教与学优化算法.在基本教与学优化算法的基础上,根据0-1背包问题离散化的特点提出了二进制编码方案,利用贪心算子修复不可行解并优化可行解,加快了算法的收敛速度;为了更好地平衡全局探索和局部开发的关系,使用正余弦算子和自适应的惯性权重在迭代过程中调整探索和开发的相对比例,避免算法陷入局部最优解.使用4个20到100维的测试案例进行仿真实验,实验数据表明提出算法比其他3个算法具有更快的收敛速度、更高的寻优精度和更强的鲁棒性.

融合海马策略的教与学优化算法

教与学优化算法(TLBO)是模拟班级内教师教学和学生学习过程的一种新型智能优化算法。为了克服教与学优化算法局部能力不强和进化后期容易陷入局部最优的问题,提出一种融合海马策略的教与学优化算法(SHOTLBO)。该算法在“教学阶段”引入海马捕食行为,并通过自适应参数的非线性变化调节SHOTLBO算法的搜索区域,增强教师的教学能力,提高种群最优解的精准性;在“学习阶段”添加学生主动学习算子,学生主动向教师学习,引入海马的两种运动行为,即levy飞行分布函数和布朗运动,实现算法大跨度随机移动,跳出局部最优解,维持种群的多样性,提升算法的全局搜索能力。在23个标准测试函数上的数值实验表明,与海马优化算法(SHO)、黑翅鸢优化算法(BKA)、TLBO、MTLBO、CMDEATLBO及RLTLBO算法相比,提出的SHOTLBO算法不仅具有较好的全局搜索能力,而且在收敛速度、收敛精度上均有明显提升。

具有振荡搜索和自适应突变的教与学优化算法

为了克服标准教与学优化(TLBO)算法在求解高维问题中表现出的后期收敛速度慢、容易早熟的问题,提出了一种具有振荡搜索和自适应突变的改进教与学优化算法(ITLBOA)。该算法首先在“教”算子中引入二阶振荡搜索策略,期望在早期抑制粒子向最优粒子的过快收敛,而在后期使其具有较强的勘探能力,提高算法的解精度。其次,引入自适应突变,随着迭代的进行逐渐提高粒子的突变概率,并随机选择部分维度变异,赋予算法摆脱局部最优约束的能力。在5个标准Benchmark函数上的测试,结果表明该算法具有较好的全局搜索能力和解精度。选择8个UCI数据集上进行特征选择问题求解,ITLBOA获得的有效特征数目比TLBO平均减少了1.35个,最优适应度值下降了15.91个百分点。一系列的实验表明,ITLBOA不仅适合求解较高维度的函数优化问题,同样也能够高效求解组合优化问题。

基于K-均值的“教”与“学”优化算法

在解决复杂多峰优化问题时,传统的"教"与"学"优化算法易于陷入局部搜索且优化效率较低。针对此问题,提出了一种基于K-均值的"教"与"学"优化改进算法,算法采用K-均值来降低种群规模,又针对"教"和"学"两个阶段进行相应改进,提高全局收敛速度;还加入了"变异"操作来避免算法陷入局部最优。实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统"教"与"学"优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始"教"与"学"优化算法。

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化(PSO)算法。根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡。与粒子群优化算法、混合灰狼粒子群算法、重选精英个体的非线性收敛灰狼优化(GWO)算法等多个进化算法在15个标准测试函数的不同维度下进行对比实验,所提算法在多个测试函数上可以收敛到理论最优值,速度相对于其他算法提高了1~6倍。实验结果表明,所提算法在收敛精度和收敛速度上具有较好的效果。

“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。

基于自主学习行为的教与学优化算法

针对教与学优化(TLBO)算法收敛精度较低、易于早熟收敛等问题,提出一种基于自主学习行为的教与学优化算法(SLTLBO)。SLTLBO算法为学生构建了更加完善的学习框架,学生在完成常规"教"阶段与"学"阶段的学习行为之外,将进一步对比自己与教师、最差学生的差异,自主完成多样化的学习操作,以提高自己的知识水平,提高算法的收敛精度;同时学生通过高斯搜索的自主学习反思行为跳出局部区域,实现更好的全局搜索。利用10个基准测试函数对SLTLBO算法进行了性能测试,并将SLTLBO算法与粒子群优化(PSO)算法、智能蜂群(ABC)算法以及TLBO算法进行结果比对,实验结果验证了SLTLBO算法的有效性。

基于混合教与学优化算法的炼钢连铸调度

根据炼钢厂的实际生产环境,建立了无等待多工艺路线的炼钢连铸模型,提出一种混合教与学优化算法求解该模型。在混合算法中,引入转换规则的教与学优化算法求解离散问题;采用变邻域搜索调整机器选择,教与学优化算法调整调度顺序的方式,将并行问题串行化。对具体实例进行测试,将人工调度方法、遗传算法、教与学优化和混合教与学优化算法的结果进行比较,验证了所提算法的可行性和有效性。

改进教与学优化算法的LQR控制器优化设计

为了快速有效地确定线性二次最优控制(linear quadratic regulator,LQR)问题中的加权矩阵Q和R,针对主动悬架LQR控制器权系数设计问题,提出一种改进的教与学优化算法进行LQR优化设计。算法对基本教与学优化算法中的"教"与"学"阶段进行了进一步的改进,同时提出一种"自我学习"策略。通过仿真实验表明,和基本教与学算法、粒子群算法、遗传算法相比,本文算法在对主动悬架LQR控制器优化时,具有收敛速度快,求解精度高和稳定性强等优势。

一种基于反思机制的教与学优化算法

针对教与学优化(teaching-learning-based optimization,TLBO)算法中存在的易陷入局部最优以及收敛速度较慢等问题,提出了基于反思机制的TLBO算法。为提高算法的全局搜索和局部收敛能力,在教学过程中利用教师反思行为来增强教师教学水平,进一步提高学生知识技能。同时学生实现自我反思,达到同步提高的目的。利用基准测试函数对算法进行性能测试,实验结果表明,改进后的TLBO算法具有更好的寻优性能。

基于混沌分组教与学优化算法锅炉NO_x模型优化研究

为了平衡教与学优化算法的全局和局部搜索能力,提出一种混沌分组教与学优化算法。采用3种调整机制:应用混沌方法初始化种群个体;在教阶段成绩更新中引入自适应惯性权值;在学阶段,采用随机蛙跳算法思想,将班级中的学生分组,更新子种群的最差解。用10个经典的测试集函数测试改进算法的性能,并与人工蜂群算法、万有引力算法、原始的教学优化算法进行比较,结果显示:改进算法具有良好的全局和局部搜索能力,而且收敛精度高。此外,应用改进的教与学算法优化循环流化床锅炉氮氧化合物排放浓度的模型,仿真试验表明优化后的模型具有良好的辨识能力和泛化能力,能够指导工程,解决实际问题。

基于混合教-学算法的汽车装配线物料供应调度

针对汽车装配线的物料调度问题,以装配线不缺货为约束,构建多设备联合配送的准时化物料供应模型.开展问题域的描述,以优化规划期内的线边库存水平为目标,构建数学规划模型.基于标准教-学算法(TLBO)的框架,提出求解这一复杂组合优化问题的混合教-学算法(HTLBO).根据问题的特点,设计特定的编码与解码方法,确定各个设备的配送任务及排序.通过融合交换、反转和插入变异算子,构建局部搜索流程,以强化算法的全局开发能力.结合问题的性质,提出基于束搜索技术的剪枝方法,以强化算法的深度寻优能力.开展仿真实验,测试结果验证了该调度算法的可行性和有效性.

改进教与学优化算法的IIR数字滤波器设计

针对IIR数字滤波器的设计问题,对降阶模型的设计是典型的多峰优化问题,基本的教与学优化算法在解决该问题易陷入局部最优。针对上述缺陷提出了一种改进的教学优化(MTLBO)算法。改进算法引入反向学习技术,增加解的多样性;同时为避免迭代初期的无效搜索,针对性的设计了分段式的学习策略,用以均衡算法的全局搜索和局部搜索能力。将MTLBO算法应用于IIR数字滤波器同阶和降阶模型的设计,通过两个典型案例的仿真,与PSO算法、DE算法相比,验证了改进算法的优越性和有效性。

求解并行机拖期与能耗成本优化调度的混合教—学算法

针对加工时间可控的并行机调度,提出了一类考虑拖期与能耗成本优化的调度问题。首先对调度问题进行了问题描述,并建立了整数线性规划模型以便于CPLEX求解。为了快速获得问题的满意解,提出了一种混合教—学算法。结合问题的性质,设计了编码与解码方法以克服标准教—学算法无法直接适用于离散问题的缺点。同时,构建了基于变邻域搜索的局部搜索算子以强化混合算法的搜索性能。最后,对加工时间可控的并行机调度问题进行了仿真实验,测试结果验证了构建的整数线性规划模型和混合算法的可行性和有效性。