具有动态自适应学习机制的教与学优化算法

为了克服教与学优化（TLBO）算法容易出现早熟和解精度低的问题,提出了一种动态自适应学习的改进教与学优化（DSLTLBO）算法。在DSLTLBO算法的“教”阶段,引入一个自适应变化的因子,使当前个体在早期主要向最优个体学习,后期能够较好地维持自身状态,种群多样性得以保持。在算法的后期,教师个体通过执行动态随机搜索算法,提高最优个体勘探新解的能力。在10个经典的Benchmark函数上的实验表明,该算法具有较好的收敛速度和解精度,较标准TLBO有较大能力提升,适合于求解较高维度的优化问题。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题,提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子,并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中,当前个体首先执行“教”算子。随后,在种群中随机选择两个个体,令其中优秀的个体与当前个体执行头脑风暴式学习,提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力,在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明,与TLBO算法相比,所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上,ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性,所提算法适合用来求解较高维度的连续优化问题。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题，提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子，并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中，当前个体首先执行“教”算子。随后，在种群中随机选择两个个体，令其中优秀的个体与当前个体执行头脑风暴式学习，提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力，在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明，与TLBO算法相比，所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上，ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性，所提算法适合用来求解较高维度的连续优化问题。     

改进的双种群竞争教与学优化算法

为了克服教与学优化算法在求解高维函数问题时,容易早熟,收敛速度慢,解精度低的弱点,提出一种引入竞争机制的双种群教与学优化算法。在该算法中设置两个教师,并基于帝国竞争优化机制将种群初始化成为两个学生种群,每一个教师带领自己的种群独立进化。在进化过程中,教师可以利用自己的影响力将外种群内的成员吸收进入自己的种群。为了提高教师个体的学习能力,引入反向学习机制。在多个Benchmark函数的测试表明,改进算法解精度较高,全局收敛能力强,适合求解较高维度的函数优化问题。     

具有小世界邻域结构的教与学优化算法

教与学优化(teaching-learning-based optimization,TLBO)算法是近年来提出的一种通过模拟"教"与"学"行为的群体智能算法。为了克服教与学优化算法容易早熟,解精度较低,后期收敛速度慢等弱点,提出了一种改进的教与学优化算法,并命名为S-TLBO(small world neighborhood TLBO)。该算法采用小世界网络作为其种群的空间结构关系,种群中的个体被看作是网络上的节点。在算法的"教"阶段,学生基于概率向教师个体进行学习,而在"学"阶段,学生则在自己的邻居节点中随机选择较为优秀的个体进行学习。为了提高加强算法的勘探新解和开采能力,引入教师个体执行反向学习算法。在多个经典的测试函数上的实验结果表明,所提出的改进算法具有较高的全局收敛性和解精度,适合于求解较高维度的多模态函数优化问题。     

具有自学机制和退火选择的教学优化算法

为了克服教学优化(TLBO)算法容易早熟,解精度低的弱点,提出一种具有教师自学和学生选择学习的改进教学优化算法。在每次迭代过程中教师个体首先通过反向学习(OBL),实现教师的自我提高,加强优秀个体周围邻域的搜索,引导算法向包含全局最优的解空间逼近,保证算法具有较好的平衡和探索能力。学生个体通过随机执行反向学习进行自学习,同时亦向教师个体进行学习,计算两种学习方法后的状态相对教师个体的突跳概率,并以此概率为基础进行轮盘赌产生子个体。通过在多个标准测试函数上的实验仿真并与相关的算法对比,结果表明所提出的改进算法具有更高的收敛速度和收敛精度。     

嵌入共轭梯度的二次学习教与学优化算法

教与学优化算法通过模拟自然班的教与学行为实现复杂问题的求解,已经得到较为广泛的应用。为了克服该算法容易早熟,解精度低的弱点,提出了一种改进的混合混沌共轭梯度法教与学优化算法。改进算法应用Chebyshev混沌映射初始化种群,以提高初始种群对解空间的覆盖。为了保持种群多样性,引入动态学习因子,使学生个体能够在早期主要向教师学习,并逐渐提高个人知识对其进化的影响比例。每次迭代后,教师个体将执行共轭梯度搜索。种群内适应度较差的学生个体如果长时间状态难以改变,则基于反向学习和高斯学习进行二次学习优化。最后在多个典型测试函数上的实验表明,改进算法对比相关算法具有较佳的全局收敛性,解精度较高,适用于求解较高维的函数优化问题。     

一种动态划分的混合连续域蚁群优化算法

连续域蚁群优化算法在处理高维问题时易陷入局部最优,而且收敛速度较慢。针对这些问题,提出了一种改进的连续域蚁群优化算法。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用全局搜索策略进行预处理,这样能提高算法的收敛速度和收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效提高连续域蚁群优化算法的收敛速度并改善解的质量。     

基于扰动的精英反向学习粒子群优化算法*

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效的避免陷入局部最优,适合求解函数优化的问题。     

基于元胞自动机的教与学优化算法

为解决教与学优化(TLBO)算法易陷入局部最优的问题,提出了一种基于元胞自动机的教与学优化算法(CATLBO)。算法建立了四边形网状元胞自动机模型并指定其邻域结构和规则。为保持种群多样性,在教学阶段提出以一定的概率接收退步个体的策略;为加快收敛并保证解的精度,在学习阶段制定不同学习规则,劣势个体向优势个体学习,优势个体执行混沌扰动进行自我学习。使用多个Benchmark测试函数和经典TSP问题对算法进行了仿真。结果表明:CATLBO算法全局搜索能力强,与基本TLBO等算法相比,在处理高维多峰问题上更具优势。     

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.     

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。     

一种优化神经网络的教与学优化算法

为了提高BP神经网络的输出精度,提出一种改进的教与学优化算法进行神经网络中的权值和阈值的优化调整.算法对基本的教与学优化算法的“教”阶段和“学”阶段分别进行改进,并提出一种“自学”机制来增强算法的学习能力.通过函数拟合实验和拖拉机齿轮箱故障诊断实验进行算法性能测试,结果表明,与遗传算法和基本的教与学优化算法相比,该算法具有收敛速度快、求解精度高等优势.     

基于动态学习策略的群集蜘蛛优化算法

为了提高群集蜘蛛优化(SSO) 算法的性能, 提出一种基于动态学习策略的群集蜘蛛优化(DSSO) 算法. 该算法通过群体协作过程中学习因子的动态选择, 平衡算法的搜索能力和勘探能力; 采用随机交叉策略和云模型改进协作过程个体更新方式, 在维持种群多样性的同时尽量提高收敛速度. 基于标准测试函数的仿真实验表明, DSSO 算法可有效避免早熟收敛, 在收敛速度和收敛精度上较标准SSO 算法和其余4 种较具代表性的优化算法均有显著提高.

     

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)算法中存在的易于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了性能测试,实验结果表明,改进后的TLBO算法具有更好的寻优性能。     

随机交叉-自学策略改进的教与学优化算法

针对非原点最优的复杂优化问题(最优解不在坐标原点)，提出了一种基于随机交叉-自学策略的教与学优化算法(teaching and learning optimization algorithm based on random crossover-self-study strategy, CSTLBO)。对标准教与学优化算法的“教阶段”和“学阶段”的空间扰动进行了几何解释，改进了原有的“教阶段”和“学阶段”，并引入随机交叉策略和“自学”策略来提高算法的全局寻优能力。通过使用20个Benchmark函数进行仿真，并与6种改进的教与学优化算法进行结果比较及Wilcoxon秩和检验分析，结果表明CSTLBO算法能有效避免陷入局部最优，具有良好的全局搜索能力，求解精度高，稳定性好。     

Multi-objective optimal power flow using quasi-oppositional teaching learning based optimization

This paper describes teaching learning based optimization (TLBO) algorithm to solve multi-objective optimal power flow (MOOPF) problems while satisfying various operational constraints. To improve the convergence speed and quality of solution, quasi-oppositional based learning (QOBL) is incorporated in original TLBO algorithm. The proposed quasi-oppositional teaching learning based optimization (QOTLBO) approach is implemented on IEEE 30-bus system, Indian utility 62-bus system and IEEE 118-bus system to solve four different single objectives, namely fuel cost minimization, system power loss minimization and voltage stability index minimization and emission minimization; three bi-objectives optimization namely minimization of fuel cost and transmission loss; minimization of fuel cost and L-index and minimization of fuel cost and emission and one tri-objective optimization namely fuel cost, minimization of transmission losses and improvement of voltage stability simultaneously. In this article, the results obtained using the QOTLBO algorithm, is comparable with those of TLBO and other algorithms reported in the literature. The numerical results demonstrate the capabilities of the proposed approach to generate true and well-distributed Pareto optimal non-dominated solutions of the multi-objective OPF problem. The simulation results also show that the proposed approach produces better quality of the individual as well as compromising solutions than other algorithms.