基于元胞自动机的教与学优化算法

发布时间：2021-06-18 20:34

　　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。 

【文章来源】：传感器与微系统. 2019,38(01)CSCD

【文章页数】：5 页

【文章目录】：
0 引言
1 TLBO
2 CATLBO算法
    2.1 模型建立
    2.2 教学阶段改进
    2.3 学习阶段改进
        2.3.1 邻域结构
        2.3.2 个体更新规则
    2.4 CATLBO算法流程
3 仿真测试与分析
    3.1 无约束优化测试
    3.2 带约束优化测试
    3.3 组合优化测试
4 结论


【参考文献】：
期刊论文
[1]改进蚁群算法的机器人焊接路径规划[J]. 王春华,邱立鹏,潘德文.  传感器与微系统. 2017(02)
[2]基于改进蝙蝠算法的无线传感器网络的移动节点部署[J]. 袁曦,张曦煌.  传感器与微系统. 2016(03)
[3]改进的双种群竞争教与学优化算法[J]. 王培崇,钱旭.  计算机工程与应用. 2015(24)
[4]基于反馈的精英教学优化算法[J]. 于坤杰,王昕,王振雷.  自动化学报. 2014(09)
[5]一种具有演化规则的元胞遗传算法[J]. 鲁宇明,黎明,李凌.  电子学报. 2010(07)
[6]分段Logistic混沌映射及其性能分析[J]. 范九伦,张雪锋.  电子学报. 2009(04)
[7]求解TSP的一种改进遗传算法[J]. 彭丹平,林志毅,王江晴.  计算机工程与应用. 2006(13)



本文编号：3237339