多学习教与学优化算法

第33卷第2期计算机应用与软件Vol. 33 No. 22016年2月Computer Applications and SofwareFeb. 2016多学习教与学优化算法李志南’南新元’李娜’史德生2'(新疆大学电气工程学院 新疆乌鲁木齐830047)2(国网山东利津县供电公司山东 东营257400)摘针对教与学优化算法(TLBO)局部开发能力差,易陷入局部最优的缺点,提出一种基于反向学习的多学习教与学优化算法(MTLBO)。通过反向学习技术拓展搜索空间,增加解的多样性,进一步增强算法的全局搜索能力。引入多学习机制,使其更有效地进行局部搜索,加快收敛速度。同时提出一种小概率变异策略,增加跳出局部最优的可能性。在基准测试函数上进行验证实验,结果表明,与TLBO算法JITLBO算法以及其他优化算法相比,该算法在低维和高维函数上都取得了较好的优化效果。关键词教与学优化算法反向学习技术 多学习机制变异策略中图分类号TP3文献标识码AD0I: 10.3969/j. issn. 1000-386x. 2016. 02. 057TEACHING-LEARNING-BASED OPTIMISATION ALGORITHM WITHMULTI-LEA RNING STRATEGYLi Zhinan' Nan Xinyuan’Li Na’Shi Desheng''( School of Electrical Enginering ,Xinjiang University , Unumqi 830047 ,Xinjang , China)2( Ljinxian Power Supply Company , State Grid ,Dongying 257400 , Shandong , China)AbstractWe proposed a teaching-learming-based optimisation algorithm ( TLBO ) with multi-learning mechanism ( MTLBO)，which isbased on the opposition-based learning, aimed at the drawbacks of basic TLBO in poor local development ability and solutions being prone tofalling into local optima. It broadens the search space through oppsition-based learning technology to increase the diversity of solutions andfurther improve the global search ability of the algorithm. The introduction of multi-learning mechanism makes the local search more efctiand speeds up the convergence rate. Meanwhile we presented a small probability mutation strategy to increase the likelihood of solutionsjumping out of local optima. V erification experiments were carried out on benchmark test functions, results indicated that compared with basicTLBO, ITLBO and other optimised algorithms ，the proposed MTLBO algorithm achieved better optimisation effect on both low and highdimensional functions.KeywordsTeaching- learning-based optimisation algorithmOpposition-based learning technologyMulti-learming mechanismMutation strategy问题。这些改进算法虽然在一-定程度上提高了TLBO算法的优0引.言化性能,但还是存在易陷入局部最优的问题。针对TLBO算法局部搜索能力较弱的缺陷,本文提出了-教与学优化算法TLBO是一种新的元启发式优化算法,由.种多学习教与学优化( MTLBO)算法。采用多种学习方式来增印度学者RaoR V等人在2011年提出,它主要模拟教师的教强算法的局部搜索能力;利用反向学习技术[9]扩展解空间,增学过程和学生之间的相互学习和交流过程。TLBO算法包括两加种群的多样性,进一步增强算法的全局探索能力;同时引入小个重要阶段第一是教学阶段，教师将自已的知识传授给学生，概率的扰动策略,提高跳出局部最优的可能性。最后,通过对比提高班级的整体水平;第二二是学习阶段,学生通过课下的交流来实验验证了该算法的有效性。提高自己的学习成绩。TLBO算法结构简单,易于理解,参数少,有极强的收敛能力和较好的全局搜索能力,已成功应用于很筑汁多工程问题,如非线性连续大规模优化2,平面钢框架优化设中国煤化工计[B] ,电力经济调度[4]和热交换器优化[5.01等问题。基YHc NM H G学过程和学生的互相学习TLBO算法全局搜索能力强，收敛速度快,但局部收索能力过程的启发而提出来的,包括教学和学习两个阶段。在教学阶差,易陷人局部最优。学者们针对该缺陷先后提出了一系列改进算法,如RaoR V等人提出了一种基于多个老师的教与学优收稿日期:2014 -06 -29。新疆“十二五”制造业信息化科技示范工化算法"(TLBO)和带有精英策略的教与学优化算法'*1 ( MO-程项目(201130110)。李志南硕士生,主研领域:智能优化算法。南新ITLBO),前者应用于无约束优化问题,后者应用于多目标优化元,副教授。李娜,硕士生。史德生,本科生。第2期李志南等:多学习教与学优化算法247段,学生通过老师与学生的平均水平值之间的差异来提高自己学习方式比较单一，局部开发能力弱,容易陷入局部最优。为的成绩;学习阶段学生根据自身情况,与优秀学生进行交流学此,本文提出了-一种新的多学习策略;即个体在向邻近较优个体习,提高自己的成绩。学习的同时,通过差异学习过程,弥补自身的不足,从而提高自1.1教学阶段己。两种学习策略的引入,大大增强了算法的局部搜索能力,降教学阶段是模拟老师的教学过程,选择种群中的最优个体低了算法易陷人局部最优的可能。改进的多学习方式表示如式作为老师,老师尽最大努力使得学生的平均水平向自己靠近,提(5)和式(6)所示:ifrand < 0.5高班级的整体水平。教学过程的数学表达式如式(1)所示:X=X""+rand. (Xldw - TF . Mean)(1)X"" =x.nd +rand.(xX!d-x") f(Xxu) a本文选取文献[7]和文献[15]中的13个测试函数对本文u(x,a,k,m) =0←a≤x≤a y=1 +一(1 +x)提出的改进算法进行函数优化测试,并选择基本TLBO算法甲，1-TLB0算法[7]、ABC算法[13] .I-ABC算法[4]进行对比实验。测lk(-x; -a)"x;