多班级交互式教学优化算法

发布时间：2021-08-01 03:36

　　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。 

【文章来源】：计算机工程与应用. 2019,55(09)北大核心CSCD

【文章页数】：8 页

【部分图文】：

MCITLBO与TLBO群体分布情况对比

械仁皆际?侍?g11和g13。令M1=5，M2=20，评价次数为120000。所有算法独立运行30次。采用罚函数法约束处理技巧。MCITLBO与其他算法比较结果如表4所示。从表4可以看出，5个算法在g06中均找到了最优值，在g11中ETLBO、ITLBO、MCITLBO均收敛到全局最优，在g05、g13中MCITLBO在最优值、平均值和标准差方面表现均优于其他算法。可见，MCITLBO在4个约束测试函数中较其他算法表现良好。4.3MCITLBO算法应用研究——拉压弹簧优化设计拉压弹簧设计是工程上最小化张力弦重量的问题，其模型如图7所示。它由Arora[18]和Belegundu等[19]给出了数学表示如下：minf(x)=(x3+2)x2x21s.t.ìíg1(x)=1-x32x371785x41≤0g2(x)=4x22-x1x212566(x2x31-x41)+15108x21-1≤0g3(x)=1-140.45x1x22x3≤0g4(x)=x1+x21.5-1≤0其中，x1代表d，x2代表D，x3代表P，0.05≤x1≤2,0.25≤x2≤1.3,2≤x1≤15。设函数评价次数为120000，利用MCITLBO求解该问题，并与其他算法作比较，比较结果如表5所示，对比可以看出MCITLBO较其他算法寻优精度更高，稳定性更好。101010510010510101015常用适应度对数值（log）FES/1040.51.01.52.02.53.03.54.0DETLBOETLBOITLBOMCITLBO0图5各算法在函数f3中的收敛曲线104103102101.5常用适应度对数值（log）FES/104DETLBOETLBOITLBOMCITLBO0123456图6各

【参考文献】：
期刊论文
[1]萤火虫优化和随机森林的WSN异常数据检测[J]. 许欧阳,李光辉.  计算机科学与探索. 2018(10)
[2]基于遗传算法的蛋白质复合物识别算法[J]. 郑文萍,李晋玉,王杰.  计算机科学与探索. 2018(05)
[3]一种新的自适应惯性权重混沌PSO算法[J]. 李龙澍,张效见.  计算机工程与应用. 2018(09)
[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]带有交叉操作的教-学优化算法[J]. 高立群,欧阳海滨,孔祥勇,刘宏志.  东北大学学报(自然科学版). 2014(03)
[6]粒子群算法种群结构与种群多样性的关系研究[J]. 段晓东,高红霞,张学东,刘向东.  计算机科学. 2007(11)



本文编号：3314765