基于k簿值的教与学优化算法.docVIP

基于K簿值的“教”与“学”优化算法 　　摘要：在解决复杂多峰优化问题时，传统的“教”与“学”优化算法易于陷入局部搜索且优化效率较低。针对此问题，提出了一种基于K均值的“教”与“学”优化改进算法，算法采用K均值来降低种群规模，又针对“教”和“学”两个阶段进行相应改进，提高全局收敛速度；还加入了“变异”操作来避免算法陷入局部最优。实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化，并与手榴弹爆破算法和传统“教”与“学”优化算法进行比较，实验结果表明，该改进算法在单峰和多峰测试函数中，均能快速高效地寻得全局最优解，优于原始“教”与“学”优化算法。 　　关键词：“教”与“学”优化算法；K均值；多峰函数；全局最优解 　　中图分类号： TP301.6 　　文献标志码：A 　　0引言 　　群智能优化算法都是智能计算、启发式优化算法领域的一个研究热点，也相继出现了多种群智能优化算法，例如遗传算法（Genetic Algorithm， GA）、粒子群优化（Particle Swarm Optimization， PSO）算法、蜂群（Artificial Bee Colony， ABC）算法、和声（Harmony Search， HS）算法和“教”与“学”优化（TeachingLearningBased Optimization， TLBO） 算法等。其中，“教”与“学”优化算法是2010年由Rao等[1]提出的一项启发式群智能优化算法，该算法模拟了班级中通过教和学来提高整体成绩的过程，在研究和应用中取得了一定的进展。文献[2]提出了基于精英策略的TLBO算法，采用保留最优秀的精英个体到下一代中的方式，提高了算法的收敛速度；Rajasekhar等[3]通过精英策略和相对替换来加强和改善优化效率；文献[4]采用增加自学阶段和改进教学因子的方式，拓展了算法的搜索能力，使得算法收敛加快，该改进算法成功应用于热冷却器优化问题中；Niknam等[5]以相位角替代传统设计变量，并且改进了学习过程，提高了算法效率，并且在动态经济调度中得到了应用。 　　TLBO算法易于理解，所需参数较少，算法精度较高[6]。但其在优化过程中，对于教师的选择依赖性较强，在针对复杂多峰问题进行优化时，对于教师的选择效率较低，易于陷入局部搜索，影响了算法效率，收敛能力有待提高[4，6]。 　　本文针对TLBO算法在解决复杂多峰优化时表现欠佳的问题进行了研究，提出了一种基于K均值的“教”与“学”优化改进算法（TLBO based on Kmeans， KTLBO），通过K均值聚类的方式将种群划分为多个小种群，以此降低种群规模；并在算法中引入“变异”阶段，从而保持种群多样性，提高全局收敛速度，避免陷入局部最优。 　　1“教”与“学”优化算法概述 　　文献[7]对“教”与“学”优化算法进行了较为详尽的介绍。为了文章内容的自洽，本文对“教”与“学”优化算法进行概述。教与学优化算法模拟了班级教学的过程，通过教师的教和同学之间的相互学习，来达到班级整体成绩上升的目的。教师和学生是该算法中两个重要组成部分。在该算法中，种群即为整个班级的学生，不同的设计变量就是学习科目，学生的学习成绩就是优化问题的结果。在整个班级中，最优个体被选定为教师。TLBO算法分为教和学两个阶段。下面分别对两个阶段进行简要介绍。 　　1.1“教”阶段 　　教师通过提高班级平均成绩的方式来达到教育学生的目的。在此阶段，提高平均成绩的最优策略就是平均成绩不断向教师自身靠拢，显然，这一阶段优化的效果依赖于教师水平的高低。在每一次迭代中，假设M为班级的平均成绩，教师为Xteacher，教师将使得班级平均成绩更加接近自己的成绩，则教师与班级平均成绩之间的差距由式（1）表示： 　　Difference_Meani=ri（Xteacher-TFM）（1） 　　其中：ri是[0，1]内的随机数，TF为教学因子，其值由以下公式确定： 　　TF=round[1+rand（0，1）{2-1}]（2 　　通过式（2）可以看出，TF的值不是1就是2，这极大地制约了教学的适应性。至此，学生的成绩就可以得到更新： 　　Xnew，i=Xold，i+Difference_Meani（3 　　1.2“学”阶段 　　班级成员之间相互学习。一个学生随机选择班级中另一个学生来进行相互学习。在任意一次迭代中，考虑班级中任意两个不同的个体 Xi和Xj，他们之间的学习关系如下所示： 　　Xnew，i=Xold，i+ri（Xi-Xj）； f（Xj）f（Xi）（4 　　Xnew，i=Xold，i+ri（Xj-Xi）； f（Xi）f（Xj）（5 　　第11期 　　黄祥东等：基于K均值的“教”与“学”优化算法 　　计算