摘要: 摘 要: 针对教学优化算法(TLBO)在处理优化问题时存在搜索不均衡、易陷入局部最优、综合求解性能弱等缺陷,本文提出了一种基于均衡优化与莱维飞行策略的新型教学优化算法(ELMTLBO)。首先该算法设计了精英均衡引导策略,通过种群中多个精英个体的均衡引导提高算法的全局寻优能力。其次在TLBO算法的学习者阶段后增设了一种将莱维飞行与自适应权重相结合的策略,权重对莱维飞行产生的步长进行自适应缩量,提高了种群局部寻优能力并增强了个体对复杂环境的自适应性。最后设计了变异算子池逃逸策略,通过多个变异算子的协同引导,算法的种群多样性得到明显提升。为验证算法改进的有效性,文中将EMLTLBO算法与侏儒猫鼬优化算法(DMOA)等7个国际先进的算法,以及平衡教学优化算法(BTLBO)、标准TLBO等7个同类型算法在15个国际测试函数上进行了综合收敛性能比较。统计实验结果表明,与TLBO算法相比,ELMTLBO算法在简单的单峰及多峰问题上,收敛速度平均提升超过10%,找到全局最优解的成功率平均提升50%以上。在复杂多峰问题上,与表现较好的CTLBO相比,ELMTLBO的收敛精度平均提升超过1E-4数量级。在不同策略的共同作用下,该算法的综合优化性能突出,全局收敛性能较为稳定。此外,本文也成功将ELMTLBO算法应用于基于隐马尔可夫模型(HMM)的多序列比对(MSA)问题中,经该算法优化后得到的高质量对齐序列可用于疾病诊断、基因溯源、病毒防治等领域,能够为生物信息学的发展提供良好的算法支撑。
中图分类号: