文献类型：期刊文章

作　　者：李丽荣[1] 杨坤[2,3] 王培崇[2,3]

LI Lirong;YANG Kun;WANG Peichong(School of Art and Design,Hebei GEO University,Shijiazhuang Hebei 050031,China;School of Information Engineering,Hebei GEO University,Shijiazhuang Hebei 050031,China;Laboratory of AI and Machine Learning,Hebei GEO University,Shijiazhuang Hebei 050031,China)

机构地区：[1]河北地质大学艺术设计学院,石家庄050031 [2]河北地质大学信息工程学院,石家庄050031 [3]河北地质大学人工智能与机器学习研究室,石家庄050031

出　　处：《计算机应用》

基　　金：河北省社会科学基金资助项目(HB19GL0074);河北省高等学校科研项目(ZD2018043,ZD2020344)。

年　　份：2020

卷　　号：40

期　　号：9

起止页码：2677-2682

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对教与学优化(TLBO)算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题,提出了一种融合头脑风暴思想的改进教与学优化算法(ITLBOBSO)。在该算法中设计了一种新的“学”算子,并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中,当前个体首先执行“教”算子。随后,在种群中随机选择两个个体,令其中优秀的个体与当前个体执行头脑风暴式学习,提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力,在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明,与TLBO算法相比,所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上,ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性,所提算法适合用来求解较高维度的连续优化问题。

关 键 词：教与学优化  头脑风暴 柯西变异 “学”算子  约束工程优化问题  

分 类 号：TP301.6]