环链种群结构的多目标教与学优化算法

针对教与学算法采用贪婪进化机制,易造成种群多样性较差的问题,将环链拓扑结构引入到多目标教与学算法中,并改进了自我学习机制,提出了一种环链种群结构的多目标教与学优化算法。根据多种群进化方式,通过一种环链结构将种群划分为多个邻域,每个邻域代表一个小种群,且相邻种群之间存在重叠。在教与学进化过程中,在每个小种群中设置一名教师,由每一位教师引导各自的种群独立进化,且彼此之间存在进化信息交流。同时,提出一种改进的学习机制来提升局部寻优能力,由此平衡算法的全局搜索和局部寻优。该算法通过与五种对等算法在ZDT和DTLZ系列组成的12个多目标测试问题进行测试,实验结果表明了新算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法。

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。

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。

由课堂教学改革到改进教与学优化算法

教与学优化算法是一种模拟课堂教学与学习过程的新型启发式群体智能优化算法,因其参数少、易实现、收敛快等优点,近年来被广泛应用于众多科学和工程优化领域。参考现实中的课堂教学改革措施,将教师的自增强学习机制、学生的自主学习/分组学习策略、师生间的反馈交流、多教师并行教学的综合培养等改进策略融入教与学优化算法,使得改进教与学优化算法在复杂优化问题中获得更好的表现。此外,讨论了课程思政、课程考核、教学资源等引入教与学优化算法的可能性及其未来的发展方向。

基于协同变异与莱维飞行策略的教与学优化算法及其应用

针对教与学优化(TLBO)算法在处理优化问题时存在搜索不均衡、易陷入局部最优、综合求解性能弱等缺陷,提出一种基于均衡优化与莱维飞行策略的改进教与学优化算法ELMTLBO。首先设计精英均衡引导策略,通过种群中多个精英个体的均衡引导提高算法的全局寻优能力;其次在TLBO算法的学习者阶段后,利用自适应权重策略对莱维飞行产生的步长进行自适应缩量,以提高种群局部寻优能力,增强个体对复杂环境的自适应性;最后设计了变异算子池逃逸策略,通过多个变异算子的协同引导,提升算法的种群多样性。为验证算法改进的有效性,将EMLTLBO算法与侏儒猫鼬优化算法(DMOA)等先进的智能优化算法以及平衡教与学优化(BTLBO)算法、标准TLBO等同类型算法在15个国际测试函数上进行综合收敛性能比较。统计实验结果表明,与先进的智能优化算法和TLBO算法变体相比,ELMTLBO算法能够有效平衡其搜索能力,不但有效求解单峰和多峰问题,而且在复杂多峰问题上仍有显著的寻优能力。在不同策略的共同作用下,ELMTLBO算法的综合优化性能突出,全局收敛性能较为稳定。此外,ELMTLBO算法成功应用于基于隐马尔可夫模型(HMM)的多序列比对(MSA)问题中,优化后得到的高质量对齐序列可用于疾病诊断、基因溯源等,可为生物信息学提供算法支撑。

基于教与学和逐维柯西变异的鲸鱼优化算法

基本鲸鱼优化算法在面对复杂优化问题时仍然存在易陷入局部极值、收敛速度慢和计算精度低等问题,为此提出一种基于教与学和逐维柯西变异的鲸鱼优化算法TCWOA。首先,选用Sobol序列对鲸鱼种群进行初始化操作,可使种群分布更均匀;其次,引入教与学算法中的教学策略替换鲸鱼优化算法中的随机搜索策略,避免搜索的盲目性,提高算法的收敛速度;再次,采用带惯性权重的逐维柯西变异对鲸鱼最优个体进行变异扰动,助其跳出局部最优解,增强算法的全局搜索能力;最后,与多种优化算法在10个标准测试函数上的对比分析,以及用TCWOA先优化BP网络参数,再预测波士顿房价的应用研究结果,表明了该优化算法的有效性和准确性。

基于改进教与学算法的配网多目标无功优化

配电网无功优化问题一直受到广泛关注,目前研究主要集中在单目标问题,或者将多目标问题通过权重法或惩罚函数转化为单目标。针对配电网无功优化优化问题,以网损最小和电压偏差最小为多目标函数,采用一种新颖的无需设置控制参数的教与学算法,基于Pareto最优解与拥挤度距离改进算法,应用非支配关系来构造非支配解集,降低多目标问题计算复杂度。并根据拥挤度距离排序提高解集的分布性,引入存储精英解集机制丰富非支配解集,并基于拥挤度距离的排序和裁剪求取最优解集,得到改进的多目标教与学算法。通过对IEEE-33节点系统进行仿真分析比较,结果验证了本文算法在多目标无功优化问题中的可行性和有效性。

改进教与学算法在物流配送路径优化问题的研究

随着全球化和电子商务的快速发展,物流配送路径优化已成为物流行业的核心议题。有效的配送路径不仅可以提高配送效率,还可以降低成本和提高客户满意度。近年来,教与学算法作为一种新型优化方法,已在多个领域显示出了其优越性。然而,在物流配送路径优化领域,该算法仍存在一些局限性和挑战。因此,文章就改进教与学算法对物流配送路径优化的问题展开了研究,以期为物流行业提供更高效、准确的路径优化策略。

基于改进教与学优化算法的最小断点集求解

对继电保护装置开展合理的整定计算工作是保障电网安全稳定运行的重中之重。环网继电保护整定过程中可能出现“死锁”问题导致整定无法进行,需要寻找网络最小断点集(Minimum Break Point Set,MBPS)以解开“死锁”。实际工程中,由于电网运行状态或评价角度的改变,被选作最优断点集的一组MBPS应当更新。针对该问题,致力于寻找一种能够快速高效地找到网络拓扑中尽可能多组MBPS的方法,为更新当前最优断点集提供可能。将寻找MBPS的问题归结为求解一个0-1整数二次规划问题,引入教与学优化算法,并对算法进行一定改进以提升搜索性能。与其他启发式算法相比,该算法只需要设置较少的超参数,可行性较高;并且收敛性好,能够以较少的迭代次数得到全局解;同时,该算法一次独立计算能够得到足够多组MBPS,为在工程实际中结合电网运行参数确定环网最优断点集提供条件。通过算例验证了该方法的有效性。

基于改进的教与学优化算法的船舶实时路径规划

利用局部逃逸策略(Local Escaping Operator,LEO)对原始教与学优化算法(Teaching Learning Based Optimization,TLBO)的部分解进行替换,使其快速跳出局部最优,提出一种改进的教与学优化算法(Local Escaping Teaching Learning Based Optimization,LETLBO),并将其应用于船舶实时路径规划中。在船舶实时路径规划仿真试验中,利用概率图搭建搜索地图,利用高概率区域模拟目标所在区域,并采用贝叶斯定理设计一个概率函数作为目标函数。同时,为更好地实现实时路径规划,提出以个体为单位,利用在个体探索时高概率区域同时移动的方式模拟船舶在搜索时目标同时移动的情况,成功模拟船舶实时路径规划,保证试验的有效性。通过船舶实时路径规划仿真试验测试2种模拟情况下LETLBO与原算法及其他多种经典算法的性能,结果发现LETLBO在2个情景中找到目标的概率相比原算法分别提升41.88%和43.38%,运算时间分别减少0.9789 s和0.3752 s,且综合性能更优,说明改进的算法具有更好的探索寻优能力和鲁棒性。

融合经验反思机制的教与学优化算法

针对传统教与学算法存在易陷入局部最优、收敛速度慢和求解精度低等问题,提出一种融合经验反思机制的教与学优化算法(empirical reflection teaching learning based optimization,ERTLBO)。首先在教学阶段引入经验反思机制,遴选精英个体引导普通个体向教师靠近,提高班级整体水平,从而提高算法全局探索能力。其次在学习阶段引入动态自适应权重,能够根据学生的适应度值对位置进行自适应扰动,进而实现个体位置的动态更新,提高算法跳出局部最优的能力。仿真实验选取23个基准测试函数对ERTLBO同其他变体和流行算法进行性能测试。实验结果表明,ERTLBO算法具有更好的寻优性能和求解稳定性。最后,通过2个工程设计问题进一步验证ERTLBO解决实际问题的有效性和优越性。

求解异构并行机调度问题的混合多目标教–学优化算法

以异构并行机调度(UPMS)为研究对象,考虑了最小化makespan和提前/延误惩罚成本总和的多目标优化问题.首先,基于问题描述构建了数学优化模型,并设计了"约束法求解流程.其次,提出了混合多目标教–学优化算法(HMTLBO).HMTLBO算法借助分解机制将Pareto前沿逼近问题转化为一系列单目标子问题,并通过教–学优化算法(TLBO)求解各子问题.针对问题特点设计了序列编码方式,并据此融合3种交叉算子构筑了个体更新方法,同时建立了变邻域下降搜索以增强算法的局部搜索能力.最后进行了仿真实验与分析,测试结果验证了HMTLBO求解当前调度问题的高效性.

基于教与学优化的LPBF零件构建方向优化算法

在激光粉末床熔融(LPBF)工艺下,零件打印方向的选择是分层建造工艺规划的关键步骤,打印方向选择的好坏会直接影响零件的成型质量和打印成本。零件的打印方向通常由操作员手工选择,打印前无法确定最佳建造方向。针对LPBF零件定向问题,从打印成本角度出发,提出一种基于教与学优化(TLBO)的金属3D打印零件方向优化算法。首先根据金属3D打印工艺流程建立LPBF工艺综合成本模型,该模型考虑了零件支撑结构体积、打印高度、打印时间,然后通过变换STL模型几何表示,建立打印方向与成本的多目标优化模型,采用TLBO进行全局搜索,得到零件最佳建造方向,解决了金属3D打印工艺成本高的问题,实现了成型方向的自动选择。最后在实例模型中介绍了该方法的使用,并通过与商业软件Magics中生成打印方向以及遗传算法(GA)优化方向对比,证明了所提方法的有效性和运行效率。

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。

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。