針對教學(xué)優(yōu)化算法（Teaching-Learning-Based Optimization,TLBO）尋優(yōu)精度低、穩(wěn)定性差的問題,提出多班級交互式教學(xué)優(yōu)化算法（Multi-Classes Interaction TLBO,MCITLBO）。通過引入基于歐氏距離的新型聚類劃分方法,實現(xiàn)多班級教學(xué),加強優(yōu)秀個體周圍鄰域的搜索,保證算法具有較好的平衡和局部搜索能力,通過引入兩種新的學(xué)習(xí)方式,實現(xiàn)學(xué)習(xí)方式多樣化,加強種群信息交互、避免子群"滯后"或"早熟"。對6個無約束、4個約束函數(shù)和優(yōu)化拉壓彈簧設(shè)計問題的數(shù)值實驗表明,MCITLBO相比其他算法在尋優(yōu)精度和穩(wěn)定性上更具優(yōu)勢。 

【文章來源】：計算機工程與應(yīng)用. 2019,55(09)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

MCITLBO與TLBO群體分布情況對比

械仁皆際?侍?g11和g13。令M1=5，M2=20，評價次數(shù)為120000。所有算法獨立運行30次。采用罰函數(shù)法約束處理技巧。MCITLBO與其他算法比較結(jié)果如表4所示。從表4可以看出，5個算法在g06中均找到了最優(yōu)值，在g11中ETLBO、ITLBO、MCITLBO均收斂到全局最優(yōu)，在g05、g13中MCITLBO在最優(yōu)值、平均值和標(biāo)準(zhǔn)差方面表現(xiàn)均優(yōu)于其他算法�？梢�，MCITLBO在4個約束測試函數(shù)中較其他算法表現(xiàn)良好。4.3MCITLBO算法應(yīng)用研究——拉壓彈簧優(yōu)化設(shè)計拉壓彈簧設(shè)計是工程上最小化張力弦重量的問題，其模型如圖7所示。它由Arora[18]和Belegundu等[19]給出了數(shù)學(xué)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。設(shè)函數(shù)評價次數(shù)為120000，利用MCITLBO求解該問題，并與其他算法作比較，比較結(jié)果如表5所示，對比可以看出MCITLBO較其他算法尋優(yōu)精度更高，穩(wěn)定性更好。101010510010510101015常用適應(yīng)度對數(shù)值（log）FES/1040.51.01.52.02.53.03.54.0DETLBOETLBOITLBOMCITLBO0圖5各算法在函數(shù)f3中的收斂曲線104103102101.5常用適應(yīng)度對數(shù)值（log）FES/104DETLBOETLBOITLBOMCITLBO0123456圖6各

【參考文獻】：
期刊論文
[1]螢火蟲優(yōu)化和隨機森林的WSN異常數(shù)據(jù)檢測[J]. 許歐陽,李光輝.  計算機科學(xué)與探索. 2018(10)
[2]基于遺傳算法的蛋白質(zhì)復(fù)合物識別算法[J]. 鄭文萍,李晉玉,王杰.  計算機科學(xué)與探索. 2018(05)
[3]一種新的自適應(yīng)慣性權(quán)重混沌PSO算法[J]. 李龍澍,張效見.  計算機工程與應(yīng)用. 2018(09)
[4]基于反饋的精英教學(xué)優(yōu)化算法[J]. 于坤杰,王昕,王振雷.  自動化學(xué)報. 2014(09)
[5]帶有交叉操作的教-學(xué)優(yōu)化算法[J]. 高立群,歐陽海濱,孔祥勇,劉宏志.  東北大學(xué)學(xué)報(自然科學(xué)版). 2014(03)
[6]粒子群算法種群結(jié)構(gòu)與種群多樣性的關(guān)系研究[J]. 段曉東,高紅霞,張學(xué)東,劉向東.  計算機科學(xué). 2007(11)



本文編號：3314765