一种改进的教与学优化算法
文章目录
- 一、理论基础
- 1、基本的TLBO算法
- 2、改进的TLBO算法
- (1)自适应教学因子
- (2)改进的学员阶段
- (3)ITLBO算法步骤
- 二、数值仿真实验与分析
- 三、参考文献
一、理论基础
1、基本的TLBO算法
请参考这里。
2、改进的TLBO算法
(1)自适应教学因子
经过一段学习时间后,学员掌握的知识越来越多,与教师的差距就变得越来越小,学习效率明显下降,学到的知识少且慢。在优化算法中,TF\text{TF}TF值小,则表明算法探索能力强,但搜索能力弱;TF\text{TF}TF值大,则表明算法探索能力弱,但搜索能力强。为了解决此问题,对TLBO算法中教学因子做了改进,提出一种自适应教学因子,随着迭代次数的增加使TF\text{TF}TF线性递减,具体表达式由下式给出:TF(t)=12[(TFmax−TFmin)⋅(tmax−titmax)2+(TFmax−TFmin)⋅(tmax−titmax)]+TFmin(1)\text{TF}(t)=\frac12\left[(\text{TF}_{\max}-\text{TF}_{\min})\cdot\left(\frac{t_{\max}-t_i}{t_{\max}}\right)^2+(\text{TF}_{\max}-\text{TF}_{\min})\cdot\left(\frac{t_{\max}-t_i}{t_{\max}}\right)\right]+\text{TF}_{\min}\tag{1}TF(t)=21[(TFmax−TFmin)⋅(tmaxtmax−ti)2+(TFmax−TFmin)⋅(tmaxtmax−ti)]+TFmin(1)其中,TFmax\text{TF}_{\max}TFmax和TFmin\text{TF}_{\min}TFmin分别表示教学因子的最大值和最小值,tmaxt_{\max}tmax为最大迭代次数,tit_iti为当前迭代次数。
从式(1)可以看出,TF\text{TF}TF的值在搜索前期大,后期小。在算法搜索前期,学员学习效率高,学到的知识多而快。较大的TF\text{TF}TF有利于增强算法的全局探索能力,加快算法的收敛速度。随着迭代的进行,学习效率明显下降,学到的知识少且慢,较小的TF\text{TF}TF有利于增强算法的局部探索能力,使算法搜索向最优解靠拢,从而获得更高精度的解。
(2)改进的学员阶段
学员通过不同的方式提高自己的知识水平:1)学员之间的相互学习,学员之间可以有对象地选择比自己成绩好的学员学习,从而达到提升自己水平的目的;2)通过老师的意见学习:老师会根据学生的学习情况制定相应的学习目标,在这过程中学员对所学知识可能存在误解,还需不断地求教于老师才能很好地完成学习目标。这样,在学员和老师的共同帮助下学习,使学习效率明显提高,从而加强了算法的收敛速度。这一阶段的学习现象由下式表示:Xnew,i={Xi+ri⋅(Xi−Xj)+ri⋅(Xteacher−TF(t)⋅Xi),f(Xi)<f(Xj)Xi+ri⋅(Xj−Xi)+ri⋅(Xteacher−TF(t)⋅Xi),f(Xi)>f(Xj)(2)X_{\text{new},i}=\begin{dcases}X_i+r_i\cdot(X_i-X_j)+r_i\cdot(X_{\text{teacher}}-\text{TF}(t)\cdot X_i),\quad f(X_i)<f(X_j)\\X_i+r_i\cdot(X_j-X_i)+r_i\cdot(X_{\text{teacher}}-\text{TF}(t)\cdot X_i),\quad f(X_i)>f(X_j)\end{dcases}\tag{2}Xnew,i={Xi+ri⋅(Xi−Xj)+ri⋅(Xteacher−TF(t)⋅Xi),f(Xi)<f(Xj)Xi+ri⋅(Xj−Xi)+ri⋅(Xteacher−TF(t)⋅Xi),f(Xi)>f(Xj)(2)其中,rir_iri是[0,1][0,1][0,1]的随机数,XiX_iXi和Xnew,iX_{\text{new},i}Xnew,i分别表示第iii个学员学习前和学习后的知识水平,XjX_jXj表示第jjj个学员学习前的知识水平。
(3)ITLBO算法步骤
Step 1:设定种群规模NNN,最大迭代次数MMM,决策变量的范围(xiL,xiU)(x_i^\text{L},x_i^\text U)(xiL,xiU),教学因子TF\text{TF}TF和维数DDD。
Step 2:根据种群规模和决策变量初始化种群,并计算适应度值。
Step 3:教师阶段。学员在教师的帮助下提高知识水平,数学表达式参照基本TLBO算法和式(1)。
Step 4:学员阶段。学员在自身努力及相互帮助下提高知识,数学表达式在式(2)中给出。
Step 5:终止准则。如果达到最大迭代次数停止,否则重复步骤3和步骤4。
二、数值仿真实验与分析
为了验证ITLBO算法的有效性,将其与基本TLBO算法进行对比,以文献[1]中表1的6个测试函数为例。两种算法共同参数为:种群规模N=50N=50N=50,维数D=100D=100D=100,最大迭代次数M=1000M=1000M=1000。ITLBO算法中的教学因子最大最小值分别为TFmax=2\text{TF}_{\max}=2TFmax=2和TFmin=1\text{TF}_{\min}=1TFmin=1。两种算法对6个无约束测试函数进行30次独立数值实验,结果显示如下:
函数:F1
TLBO:最差值: 6.8473e-234, 最优值: 3.0079e-240, 平均值: 2.7273e-235, 标准差: 0, 秩和检验: 1.2118e-12
ITLBO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F2
TLBO:最差值: 5.0383e-234, 最优值: 1.2676e-239, 平均值: 4.2254e-235, 标准差: 0, 秩和检验: 1.2118e-12
ITLBO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F3
TLBO:最差值: 2.0556e-113, 最优值: 4.8209e-117, 平均值: 1.2033e-114, 标准差: 3.8784e-114, 秩和检验: 3.0199e-11
ITLBO:最差值: 2.6617e-208, 最优值: 1.5996e-215, 平均值: 1.4563e-209, 标准差: 0, 秩和检验: 1
函数:F4
TLBO:最差值: 4.4409e-15, 最优值: 8.8818e-16, 平均值: 4.204e-15, 标准差: 9.0135e-16, 秩和检验: 7.1518e-13
ITLBO:最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
函数:F5
TLBO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
ITLBO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F6
TLBO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
ITLBO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
结果表明,ITLBO算法不论是在收敛速度还是在寻优精度上均优于TLBO算法。
三、参考文献
[1] 岳振芳, 高岳林. 一种改进的教与学优化算法[J]. 兰州理工大学学报, 2015, 41(6): 99-103.
一种改进的教与学优化算法相关推荐
- zhang 快速并行细化方法_一种改进的Zhang并行图像细化算法的制作方法
本发明涉及图像处理技术,具体涉及一种改进的Zhang并行图像细化算法. 背景技术: 图像细化是将图像的线条从多像素宽度减少到单位像素宽度,简称骨架化.细化效果的好坏直接影响后期图像处理的效果.对于二值 ...
- apriori数据集_一步步教你学Apriori算法
理论介绍 维基百科 在计算机科学以及数据挖掘领域中,先验算法(Apriori Algorithm)是关联规则学习的经典算法之一.先验算法的设计目的是为了处理包含交易信息内容的数据库(例如,顾客购买的商 ...
- 【有功-无功协调优化】基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化研究(Matlab代码实现)
- 教学优化算法的简单介绍
目录 摘要 背景 算法 学生初始化 教学阶段 学习阶段 流程总结 优缺点 优点 缺点 一些改进 总结 参考文献 摘要 教学优化算法(Teaching-learning-based optimizati ...
- 【智能算法学习】学校优化算法SBO
目录 算法原理 教师分配 教阶段 学阶段 流程图 主要代码 仿真结果 参考文献 SBO 算法[1](School Based Optimization Algorithm, SBO)是 ...
- 《Python智能优化算法:从原理到代码实现与应用》出版啦
<Python智能优化算法:从原理到代码实现与应用> 各位亲爱的小伙伴,让各位久等了.我们撰写的<Python智能优化算法:从原理到代码实现与应用>由电子工业出版社出版了. 本 ...
- 基于蚁群优化算法的特征选择相关文献
Dorigo等人在20世纪90年代初提出了蚁群优化算法(Ant colony optimization ,ACO).ACO是一种元启发式群智能算法,旨在解决组合优化问题.它利用了真实蚂蚁的觅食行为,由 ...
- 智能优化算法Matlab源码大礼包领取
海鸥算法SOA (2019) 斑点鬣狗算法SHO (2017) 鲸鱼优化算法WOA (2016) 被囊群算法TSA (2020) 蝗虫算法(GOA) (2017) 灰 ...
- 萤火虫算法_40多种智能优化算法原理和代码分享
40多种智能优化算法原理和代码分享 <智能优化算法讲解>PDF下载地址: <智能优化算法原理讲解>PDFmianbaoduo.com 包括: 1.海鸥算法SOA 智能优化算法 ...
最新文章
- 印象笔记电脑版使用技巧_我的印象笔记使用手册(2020)
- leetcode算法题--链表中的下一个更大节点★
- 使用IDEA创建maven父子工程项目
- 神经网络到底是如何实现分类的---共振参考系假设
- 机器学习实战指南:如何入手第一个机器学习项目?
- 开放下载!《阿里云实时数仓Hologres最佳实践合集》
- sox处理mp3_音频处理常用Linux命令总结(一)
- 软件_聚合搜索引擎[博]
- Access(JET-SQL)问题集锦
- c# log4net
- 载winpcap4.1.1_搞不清电力电缆载流量?有这一份最新汇总就够了~
- 安装Windows 7时整数分区的注意事项
- 基于AD9833 的DDS信号发生器
- 数码数字字体_国产太强!50包邮买到1000倍数码显微镜,让混用屏幕无所遁形
- 【Paper】A Comprehensive Survey of Clustering Algorithms
- 统计学 | 峰度系数与肥尾理解
- 使用postman发送post请求下载文件
- 深蓝学院-多传感器融合定位课程学习分享-专栏汇总
- 单点登录怎么整合项目_如何推销新项目:整合设计,创建登录页面并“吸引”用户...
- nginx配置错误导致的目录穿越漏洞