基于讨论组和自主学习的教与学优化算法*

教与学优化算法(teaching-learning-based optimization, TLBO) 是一种模仿教学过程的新型启发式优化算法。针对TLBO 算法寻优精度低、稳定性差的特点, 提出了基于讨论组和自主学习的教学优化算法DSTLBO(discussion group and self-learning TLBO)。在原TLBO算法的“教”阶段当中加入了小组讨论,随机将全体同学分成若干组,通过组内学生向本组中学习最好的组长学习,提高了算法的局部开发和寻优能力;组长受老师和组内同学影响进行变异,提高了算法的探索能力;在“教”、“学”阶段后,每个学生进入“自我学习”阶段,从而提高了算法的全局搜索能力。通过对8个复杂的Benchmark函数的测试表明：DSTLBO 算法与基本TLBO算法和其经典改进算法ETLBO算法相比,在寻优精度、稳定性和收敛速度方面更具优势。     

混沌精英池协同教与学改进的ChOA及其应用

针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法（chimp optimization algorithm improved by the elite chaos pool collaborative teachinglearning,ECTChOA）。采用混沌精英池策略生成初始种群,增强初始解的质量和种群的多样性,为算法全局寻优奠定基础;引入自适应振荡因子平衡ChOA的全局探索和局部开发能力;结合教与学优化算法的教学阶段和粒子群优化算法的个体记忆思想优化种群位置更新过程,提高算法的寻优精度和收敛速度。仿真实验将ECTChOA与标准ChOA、其他元启发式优化算法和最新改进ChOA在12个基准测试函数下进行寻优对比,实验结果与Wilcoxon秩和检验p值结果均表明所提改进算法具有更高搜索精度、更快的收敛速度和更好的鲁棒性。另外,将ECTChOA应用于机械工程设计案例中,进一步验证ECTChOA在实际工程问题中的可行性和适用性。     

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法（Harris hawks optimization,HHO）易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法（elite opposition-based learning golden-sine Harris hawks optimization,EGHHO）。融入精英反向学习机制,提高种群多样性和种群质量,提升算法全局寻优性能和收敛精度;融入黄金正弦算法优化哈里斯鹰围捕猎物的方式,有效缩小搜索空间,减少算法收敛时间,增强算法局部开发能力。通过求解多个单模态、多模态和高维度测试函数进行算法之间的对比,结果表明,融合两种策略的EGHHO算法具有较强跳出局部极值的能力以及更高的寻优精度和寻优速度。     

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法（FPA）具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法（SCA-EFPA）。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。     

基于混沌变异的小生境粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题，提出了基于混沌变异的小生境粒子群算法（NCPSO）．该算法结合小生境技术并加入了淘汰机制，使算法具有良好的全局寻优能力．变尺度混沌变异具有精细的局部遍历搜索性能·使算法具有较高的搜索精度．实验结果表明，NCPSO算法可有效避免标准PSO算法的早熟收敛，具有寻优能力强、搜索精度高、稳定性好等优点．适合于工程应用中的复杂函数优化问题．     

基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法（BOA）收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法（HSSBOA）。首先,将樽海鞘群算法（SSA）引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差（MAE）五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。     

多班级交互式教学优化算法

针对教学优化算法（Teaching-Learning-Based Optimization,TLBO）寻优精度低、稳定性差的问题,提出多班级交互式教学优化算法（Multi-Classes Interaction TLBO,MCITLBO）。通过引入基于欧氏距离的新型聚类划分方法,实现多班级教学,加强优秀个体周围邻域的搜索,保证算法具有较好的平衡和局部搜索能力,通过引入两种新的学习方式,实现学习方式多样化,加强种群信息交互、避免子群“滞后”或“早熟”。对6个无约束、4个约束函数和优化拉压弹簧设计问题的数值实验表明,MCITLBO相比其他算法在寻优精度和稳定性上更具优势。     

透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法（dwarf mongoose optimization,DMO）是新提出的一种元启发式算法，该算法具有较强的全局探索能力和稳定性，但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索，会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题，提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法（improved dwarf mongoose optimization,IDMO），采用透镜成像反向学习策略，避免算法在迭代过程中陷入局部最优，增强算法的探索能力；在阿尔法组觅食时引入精英池策略，提高了算法的收敛精度，进一步增强算法探索能力。通过基准测试函数进行实验，表明IDMO算法具有良好的寻优性能和鲁棒性，且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解，进一步验证了IDMO算法具有良好的适用性和有效性。     

融合教育心理学理论的分组教学优化算法

针对分组教学优化算法（group teaching optimization algorithm,GTOA）存在求解精度不高、易陷入局部最优的不足,提出了一种融入教育心理学理论的分组教学优化算法（educational psychology group teaching optimization algorithm,EPGTOA）。在杰出组学生的教师教学阶段融入支架式教学理论,教师在教学过程中帮助学生构建知识体系,更快地提高该组学生的学习能力,从而加强算法的局部搜索能力;在学生学习阶段融入建构主义发展观理论,学生逐渐形成自己独特的认知结构,吸收教师传授的知识,提高学习能力,从而增强算法的全局搜索能力。为验证EPGTOA的有效性,选取21个标准测试函数,将EPGTOA与GTOA和基于信息共享的分组教学优化算法、灰狼算法、蜉蝣算法、飞蛾扑火算法、教与学算法算法进行仿真实验,同时采用Wilcoxon检验和平均绝对误差对改进算法所得的数据进行统计分析,结果表明在5%的水平上是显著的。在算法稳定性、求解精度和收敛速度上,EPGTOA都比GTOA有所增强,尤其在求解高维问题上,改进算法有更好的性能。     

改进蚁狮优化算法及其工程应用

针对蚁狮优化算法（ALO）在求解工程优化问题时易陷入局部最优及收敛速度慢等缺陷,提出一种基于Levy飞行和差分进化的改进蚁狮优化算法（LDALO）。改进算法对ALO中的蚂蚁进行差分进化操作,从而改善种群多样性,避免算法陷入局部最优并提高算法全局搜索能力。精英引导的Levy飞行被用于蚂蚁位置更新,以加快算法收敛速度。改进算法还在蚁狮捕食蚂蚁后对蚁狮进行差分变异,以提高算法的寻优精度。仿真实验基于10个基准函数进行,其结果显示LDALO较其他算法收敛速度更快,寻优精度更高。在无线传感器网络覆盖优化、压力容器设计、拉压弹簧设计等工程优化问题中的应用,验证了LDALO 的适用性和有效性。     

基于反馈教学优化算法的混沌系统参数辨识

针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法.该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题.分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少.仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性.     

一种多目标资源受限项目调度问题的教学算法

针对多目标资源受限项目调度的特性, 基于结合活动列表和资源列表的编码设计了合理的交叉操作, 提出一种多目标教学算法. 为了在个体间有效交互信息, 在教师阶段非支配个体作为教师与学生执行交叉, 而在学生阶段学生间执行交叉, 同时在每个阶段通过前向-反向改进增强局部搜索能力, 并用Pareto 档案集存储和更新非支配个体.基于标准测试集的数值仿真及与现有最好算法的比较, 验证了所提出算法的有效性.

     

融合涡流搜索和差分策略的教学优化算法

模拟课堂教学行为的教学优化算法,具有操作简单且搜索能力强的突出优点.尽管该算法为增强种群多样性采取了消除重复个体操作,然而在算法后期依然容易陷入早熟收敛.为提高教学优化算法的搜索能力,该文通过融合涡流搜索和差分进化这两种策略,提出了改进措施.改进后的算法包括:教师自学、向教师学、学生互学三种行为.首先,在每轮循环的开始...     

基于改进教学算法的无人机航路规划

针对传统教-学优化（TLBO）算法进行航路规划时收敛速度慢、容易陷入局部最优的问题,提出一种自适应交叉教-学优化（AC-TLBO）算法。首先,该算法令传统教-学优化（TLBO）算法的教学因子随着迭代次数而发生变化,提高算法的学习速度;其次,当算法可能要陷入局部最优时,加入一定的扰动,使算法尽可能地跳出局部最优;最后,为了进一步提升算法的收敛效果,在算法中引入遗传算法的交叉环节。利用传统教-学优化（TLBO）算法、自适应交叉教-学优化（AC-TLBO）算法和量子粒子群优化（QPSO）算法进行无人机航路规划,仿真结果表明,在10次规划中,自适应交叉教-学优化（AC-TLBO）算法有8次找到了全局最优路径,而传统教-学优化（TLBO）算法和量子粒子群优化（QPSO）算法分别只找到了2次和1次;而且自适应交叉教-学优化（AC-TLBO）算法的收敛速度高于另外两种算法。     

基于新型教学优化算法的低碳柔性作业车间调度

针对低碳柔性作业车间调度问题,提出一种基于新型优化机理的教学优化(TLBO)算法,以同时最小化总碳排放和平均延迟时间.利用3个串对问题的3个子问题单独编码,其主要步骤为教师的自学阶段和教学阶段,并运用多邻域搜索和全局搜索分别模拟教师的自学和教学活动.计算实验和结果分析表明,TLBO对于所研究的问题具有较强的搜索能力.     

Combined size and shape optimization of structures with a new meta-heuristic algorithm

In this study, a new meta-heuristic algorithm called teaching-learning-based optimization (TLBO) is used for the size and shape optimization of structures. The TLBO algorithm is based on the effect of the influence of a teacher on the output of learners in a class. The cross-sectional areas of the bar element and the nodal coordinates of the structural system are the design variables for size and shape optimization, respectively. Displacement, allowable stress and the Euler buckling stress are taken as the constraint for the problem considered. Some truss structures are designed by using this new algorithm to show the efficiency of the TLBO algorithm. The results obtained from this study are compared with those reported in the literature. It is concluded that the TLBO algorithm presented in this study can be effectively used in combined size and shape optimization of the structures.     

求解并行机拖期与能耗成本优化调度的混合教一学算法

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,测试结果验证了本文构建的整数线性规划模型和混合算法的可行性和有效性。     

融合差分变异的教-学优化算法

教-学优化算法（TLBO）是模拟班级中的教学过程和学习过程而提出的一种新型智能优化算法。为了改善教-学优化算法的性能,结合差分进化算法,提出一种融合差分变异的教-学优化算法（DMTLBO）。该算法提出自适应的教学因子,根据差分进化算法中变异策略,对学习阶段迭代方程进行改进,使得学习者的学习能力不仅受到学习者之间的相互影响,而且还受到当前最好学习者的影响,提高了算法的收敛速度。仿真实验表明,该算法的收敛速度和寻优精度均优于TLBO算法、PSO算法以及DE算法。     

多源基因学习的微种群教与学优化及应用

由于微种群教与学优化算法的种群规模较小, 故其种群多样性很难维持. 为提高微种群教与学优化算法的搜索性能, 提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi-source gene learning, MTLBO-MGL). 在MTLBO-MGL算法中, 将教阶段和学阶段根据随机选择策略来对个体进行基因水平上的进化操作; 并从基因层面上对种群多样性进行检测和使用稀疏谱聚类方法对种群的每个维度进行聚类. 然后, 根据多样性检测和聚类结果, 选择不同的进化策略来提高所提算法的搜索性能. 在28个测试函数上, 通过将所提算法与其他4种微种群进化算法作对比, 证明了所提算法的整体性能要显著好于所对比的4种算法. 本文还将所提算法应用于无人机三维路径规划问题, 结果表明MTLBO-MGL算法能够在该问题上取得较好结果.