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。     

改进的动态自适应学习教与学优化算法

为了克服教与学优化(TLBO)算法在求解函数优化问题时容易陷入局部最优、后期收敛速度慢、解精度较低等的弱点,提出了一种动态自适应学习和动态随机搜索机制的改进教与学优化算法。首先,在教师的教学过程中,引入一个线性变化的动态学习因子,来调整在迭代寻优过程中学生自身知识对本次学习的贡献价值。其次,为了提高算法的解精度,教师个体将执行动态随机搜索算法以加强对种群内的最优个体所在解空间的勘探。在14个标准测试函数上进行仿真实验,将所提算法与其他相关算法进行对比,结果表明所提算法不仅在求解精度,而且其收敛速度均优于标准TLBO算法,适合求解较高维的函数优化问题。     

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。     

多分支混沌变异的头脑风暴优化算法

头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。     

基于黄金莱维引导机制的阿基米德优化算法

针对标准阿基米德优化算法（AOA）在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题,提出一种多策略阿基米德优化算法（MSAOA）。首先,利用变区间初始化策略,使得初始种群尽可能地靠近全局最优解,从而提高初始解的质量;其次,提出黄金莱维引导机制,以提高算法在迭代后期的种群多样性;最后,在维持种群多样性的前提下,引入自适应波长算子,以达到提高算法搜索效率的目的。将所提算法与均衡器算法（EO）、正余弦算法（SCA）以及灰狼优化算法（GWO）在20个基准测试函数上进行比较实验。实验结果表明,所提算法具有更高的寻优精度和收敛速度,并将所提算法应用于4个机械设计实例中,再次验证了所提算法的有效性和优越性。     

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。     

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数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对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。     

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。     

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。     

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。     

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。     

融合学习心理学的人类学习优化算法

针对简单人类学习优化（SHLO）算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法（LPHLO）。首先,结合学习心理学中的小组学习（TBL）理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法（GA）和二进制粒子群优化（BPSO）算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。     

磁悬浮带式输送机电磁结构优化

常规磁悬浮带式输送机采用永磁体和电磁铁组合的电磁结构,在磁悬浮支承力需求较高的工况条件下具有易发热、电流损耗大等问题。为解决该问题,提出了一种基于Halbach阵列的电磁结构。以电磁结构磁感应强度最大为目标函数,以电磁结构尺寸和磁感应强度分布范围为约束条件,建立了电磁结构优化数学模型。针对教与学优化(TLBO)算法用于求解电磁结构优化数学模型时容易陷入局部最优的问题,提出了一种改进的TLBO算法,该算法通过筛选引入新种群及改进教学阶段和互学阶段的学习方式,增强种群的多样性和搜索能力。测试结果表明,改进的TLBO算法的准确性和稳定性均优于标准TLBO算法。采用改进的TLBO算法对磁悬浮带式输送机电磁结构优化数学模型进行求解,得到最优电磁结构参数:Halbach阵列中单个永磁体高7 mm、宽9 mm,永磁体块数为7。实验结果表明,相同尺寸条件下,基于Halbach阵列的电磁结构最大磁感应强度相对基于永磁体的电磁结构提高了47.69%。     

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.