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。

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。

改进教与学算法的静压推力滑动轴承优化

为了使静压推力滑动轴承在运行过程中功率损失最小,提出了改进的教与学算法(DWTLBO),对静压推力滑动轴承进行优化设计。与其它经典的智能优化算法如粒子群算法(PSO)、差分进化算法(DE)和教与学算法(TLBO)相比,该算法在学习阶段引入差分进化算子增加了各组之间的交叉率,进一步提高算法的多样性和局部搜索能力,避免早熟收敛。通过建立推力轴承模型,设计了轴承阶梯半径,油槽凹口半径,润滑油粘度,润滑油流量四个设计变量,采用改进的教与学算法对模型的相关参数进行优化。优化结果表明,提出的改进算法与传统的教与学算法相比,获得模型的最优解更佳,有利于在以后的工程优化中提高模型的设计精度。

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。

基于增强教与学优化算法的图像分割

为提高分割图像的质量和提高计算效率,提出了一种基于增强教与学优化算法(ETLBO)的图像分割方法。所提ETLBO利用逆向学习技术,提高全局搜索速度和优化准确度,改进全局寻优性能,并保留了经典课程教与学优化算法计算成本低、稳定性高的优点。此外,采用最小交叉熵(MCE)的概念,将图像分割的多级阈值化问题转换为优化问题,利用ETLBO得到多级最优阈值组合,实现分割图像和原始图像之间的交叉熵最小化,提高分割图像的视觉质量。实验结果表明,所提方法在分割图像的均匀性和适应度方面的性能优于其他先进方法,且计算效率更高。

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。

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.

“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。

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。

多学习教与学优化算法

针对教与学优化算法(TLBO)局部开发能力差,易陷入局部最优的缺点,提出一种基于反向学习的多学习教与学优化算法(MTLBO)。通过反向学习技术拓展搜索空间,增加解的多样性,进一步增强算法的全局搜索能力。引入多学习机制,使其更有效地进行局部搜索,加快收敛速度。同时提出一种小概率变异策略,增加跳出局部最优的可能性。在基准测试函数上进行验证实验,结果表明,与TLBO算法、ITLBO算法以及其他优化算法相比,该算法在低维和高维函数上都取得了较好的优化效果。

面向高维复杂多模态问题的教与学优化求解算法

针对教与学优化算法(teaching-learning-based optimization,TLBO)在求解一些高维多模态复杂优化问题时,存在种群容易过早陷入局部搜索,导致丢失全局最优解的问题,提出一种改进的TLBO优化算法(MTLBO)。该算法以更接近人类的学习方式,对标准TLBO中的"教"和"学"过程进行了改进,并引入了新的"自学"机制来加强学员的创新学习能力,从而有效提高了算法的全局探索能力。通过10个复杂的多模态优化问题测试表明,在求解复杂多模态问题方面,与五种具有优异性能的TLBO算法和三种经典的群智能计算方法(如Sa DE、CLPSO、NGHS)相比,MTLBO算法具有全局搜索能力强、稳定性好等明显优势。

基于教与学优化的舰载机起飞出动动态调度

本文针对弹射器故障情形下的舰载机起飞出动调度,建立了舰载机起飞出动的多约束分布式流水线调度模型;结合基于扩展随机序解的编码和解码策略、动态调整策略,设计了基于教与学优化的舰载机起飞出动动态调度算法;最后,通过对仿真案例分析、故障预测精度对动态调度的影响分析,及动态调度算法的运行时间分析,结果验证了所设计的算法对舰载机起飞出动动态调度的可行性和有效性。

基于混合策略的自适应教与学优化算法

为提高教与学优化算法的综合性能,提出一种基于混合策略的自适应教与学优化算法。将随机性学习与有向性学习融合,提出一种自适应综合交叉学习策略,根据进化的不同阶段自适应地选择学习方式,增强算法对解的搜索能力;加入一种方向性的扰动策略,增大种群多样性,较大程度地加大了对搜索空间的探索力度,降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验结果表明,本文算法可有效避免算法陷入局部最优,在收敛精度和收敛速度上有较大提高。

基于教与学优化算法的相关反馈图像检索

为提高基于内容的图像检索的检索性能和检索速度,克服低层视觉特征与高层语义概念间的"语义鸿沟",提出一种基于教与学优化的图像检索相关反馈算法(TLBO-RF).结合图像检索问题的特殊性和粒子群优化算法的优点,对TLBO算法中个体的更新机制进行了改进,通过将相关图像集的中心作为教师以及引入学员最好学习状态Pbest,使之朝用户感兴趣的相关图像区域快速收敛.将该算法与目前效果最好的两种基于进化算法的相关反馈技术在两套标准图像测试集上进行对比,结果表明本文算法相较于另外两种算法具有明显的优势,不仅提高了图像检索性能,同时也加快了图像检索速度,更好地满足了用户的检索要求.