检索结果

Select

1. 基于自适应竞争学习的教与学优化算法

王培崇, 冯浩婧, 李丽荣

《计算机应用》唯一官方网站 2023, 43 (12): 3868-3874. DOI: 10.11772/j.issn.1001-9081.2023010025

摘要（128）

HTML （3）

PDF （1194KB）（96）

针对求解较高维度优化问题时教与学优化（TLBO）算法容易出现早熟、解精度降低等问题，提出一种自适应竞争学习教与学优化算法（ITLBOAC）。首先，在“教”算子中引入非线性变化的权重参数，以决定当前个体自身状态的保持能力以及调整当前个体向教师学习的态度，从而使当前个体在早期更多地向教师学习，以迅速提升自身状态，而后期更多地保持自身状态，以减缓教师对它的影响；其次，以生态学协同竞争机制为基础，引入基于近邻个体间的自适应竞争的“学”算子，从而使当前个体选择它的近邻个体，并且让个体们从协作演化逐渐过渡到竞争学习。在12个Benchmark测试函数上的测试结果表明，相较于其他4种改进TLBO算法，所提算法具有更好的解精度、稳定性和收敛速度，同时相较于TLBO算法有大幅提升，验证了所提算法适合于求解较高维度的连续型优化问题。选择压缩弹簧和三杆桁架设计问题进行测试的结果表明，ITLBOAC获得的最优值分别比TLBO算法下降了3.03%和0.34%。可见，在求解约束工程优化问题时，ITLBOAC同样值得信任。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 融合头脑风暴思想的教与学优化算法

李丽荣, 杨坤, 王培崇

计算机应用 2020, 40 (9): 2677-2682. DOI: 10.11772/j.issn.1001-9081.2020010087

摘要（369）

PDF （864KB）（398）

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。

参考文献 | 相关文章 | 多维度评价

Select

3. 改进的动态自适应学习教与学优化算法

王培崇

计算机应用 2016, 36 (3): 708-712. DOI: 10.11772/j.issn.1001-9081.2016.03.708

摘要（560）

PDF （816KB）（489）

为了克服教与学优化(TLBO)算法在求解函数优化问题时容易陷入局部最优、后期收敛速度慢、解精度较低等的弱点,提出了一种动态自适应学习和动态随机搜索机制的改进教与学优化算法。首先,在教师的教学过程中,引入一个线性变化的动态学习因子,来调整在迭代寻优过程中学生自身知识对本次学习的贡献价值。其次,为了提高算法的解精度,教师个体将执行动态随机搜索算法以加强对种群内的最优个体所在解空间的勘探。在14个标准测试函数上进行仿真实验,将所提算法与其他相关算法进行对比,结果表明所提算法不仅在求解精度,而且其收敛速度均优于标准TLBO算法,适合求解较高维的函数优化问题。

参考文献 | 相关文章 | 多维度评价

Select

4. 应用精英反向学习的混合烟花爆炸优化算法

王培崇高文超钱旭苟海燕汪慎文

计算机应用 2014, 34 (10): 2886-2890. DOI: 10.11772/j.issn.1001-9081.2014.10.2886

摘要（488）

PDF （719KB）（435）

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点，提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习，生成其动态搜索边界内的反向搜索种群，引导算法向包含全局最优的解空间逼近，以提高算法的平衡和探索能力。为了保持种群的多样性，计算种群内个体对当前最佳个体的突跳概率，并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比，结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度，适合求解高维的数值优化问题。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于改进鱼群算法的路径测试数据生成

王培崇钱旭

计算机应用 2013, 33 (04): 1139-1141. DOI: 10.3724/SP.J.1087.2013.01139

摘要（775）

PDF （464KB）（690）

针对自动化软件测试中测试数据自动化生成的问题，提出了一种基于人工鱼群算法的解空间搜索方案。为了提高人工鱼群算法的求解能力，在鱼群算法中引入混沌搜索机制。人工鱼群算法在每次迭代之后，将针对当前全局最优解进行局部混沌搜索，同时淘汰掉部分劣质个体；随后，根据种群的最佳个体收缩解空间搜索区域，并在该空间内随机产生部分新个体。最后，通过在两种三角形判定程序上的实验证明，该算法收敛速度快，求解精度高。

参考文献 | 相关文章 | 多维度评价

Select

6. 新的混合小生境鱼群聚类算法

王培崇钱旭雷凤君

计算机应用 2012, 32 (08): 2189-2192. DOI: 10.3724/SP.J.1087.2012.02189

摘要（1051）

PDF （625KB）（422）

针对K-Means算法对于初始k值较敏感和容易过早收敛的问题，提出基于人工鱼群机制的K-Means聚类算法(NAFS)。首先，利用先验知识随机产生待求解问题的若干个聚类中心，组成一个鱼群环境；其次，利用鱼群个体的协作、竞争机制寻找满意的结果。鉴于人工鱼群算法后期容易陷入局部最优，根据鱼群聚集度引入小生境算法，改善种群的多样性，提高了算法的求解精度。在KDDCUP99数据集上的实验结果表明，该算法具有较高的聚类精度，适用于高维数据的聚类问题。

参考文献 | 相关文章 | 多维度评价