改进的精英教学优化算法及其在甲醇合成优化中的应用

为了提高精英教学算法(ETLBO)的寻优能力,特别是精度差、寻优速度慢的问题,提出改进的精英教学算法。首先,通过自主学习过程,加强对优质解所在区域的局部勘探,提高算法的寻优效率。其次,引入"差异化帮扶"思想及自适应机制,对不同水平的学生施予适宜的、灵活的学习方式,有针对性的帮助,平衡了算法的勘探速度、精度。通过增加学生间的交流次数,提高了算法的全局勘探能力。标准函数优化结果表明,改进后的算法在寻优能力和勘探效率两方面都有明显提高。最后,建立甲醇合成的机理模型,将改进后的算法应用于甲醇合成过程的优化,取得了良好的效果。

基于反馈的精英教学优化算法

精英教学优化算法(Elitist teaching-learning-based optimization,ETLBO)是一种基于实际班级教学过程的新型优化算法.本文针对ETLBO算法寻优精度低、稳定性差的问题,提出了反馈精英教学优化算法(Feedback ETLBO).在ETLBO算法的基础上,通过在学生阶段之后加入反馈阶段,增加了学生的学习方式,保持学生的多样性特性,提高算法的全局搜索能力.同时,反馈阶段是选举成绩较差的学生与教师交流,使成绩较差的学生快速向教师靠拢,使算法进行局部精细搜索,提高算法的寻优精度.对6个无约束及5个约束标准函数的测试结果表明,FETLBO算法与其他算法相比在寻优精度和稳定性上更具优势.最后将FETLBO算法应用于拉压弹簧优化设计问题及0-1背包问题,取得了满意结果.

基于自适应反馈机制的精英教学优化算法

精英教学优化算法(Elitist teaching-learning-based optimization,ETLBO)是一种基于实际班级教学过程的新型优化算法。针对ETLBO算法存在的寻优精度低、稳定性差的问题,提出一种基于自适应反馈机制的精英教学优化算法(Adaptive Feedback ETLBO,AFETLBO)。在学生阶段之后,通过添加自适应反馈机制,将学生分为优等生和差生,且动态调整两者的规模,对差生实行与教师之间的反馈交流,快速向教师靠拢,加强收敛能力;对优等生实行自我学习,进行局部精细搜索。自适应反馈阶段的加入,增加了学习方式,保持了学生的多样性特性,提高全局搜索能力。对6个无约束及5个标准函数的测试结果表明,与其他优化算法相比,AFETLBO算法具有更高的寻优精度和收敛能力。