针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法(chimp optimization algorithm improved by the elite chaos pool collaborative teaching-learning,ECTChOA...针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法(chimp optimization algorithm improved by the elite chaos pool collaborative teaching-learning,ECTChOA)。采用混沌精英池策略生成初始种群,增强初始解的质量和种群的多样性,为算法全局寻优奠定基础;引入自适应振荡因子平衡ChOA的全局探索和局部开发能力;结合教与学优化算法的教学阶段和粒子群优化算法的个体记忆思想优化种群位置更新过程,提高算法的寻优精度和收敛速度。仿真实验将ECTChOA与标准ChOA、其他元启发式优化算法和最新改进ChOA在12个基准测试函数下进行寻优对比,实验结果与Wilcoxon秩和检验p值结果均表明所提改进算法具有更高搜索精度、更快的收敛速度和更好的鲁棒性。另外,将ECTChOA应用于机械工程设计案例中,进一步验证ECTChOA在实际工程问题中的可行性和适用性。展开更多
为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种...为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种群,保证种群的多样性;其次,在教师和学生阶段分别引入黄金正弦算法和基于莱维飞行与对数螺旋线的搜索策略优化个体的位置更新公式,增强并平衡算法的全局和局部收敛性能;最后,设计仿真对其寻优性能进行测试,结果表明改进后的教与学优化算法寻优速度、精度以及稳定性显著提升,且具有较强跳出局部最优的能力。展开更多
教-学优化算法是一种新型启发式优化算法。针对教-学优化算法容易陷入局部最优的不足,提出了一种改进教-学优化算法(an improved teaching-learning based optimization,AITLBO)。在教学阶段通过扰动机制提高教师的教学效果,避免算法陷...教-学优化算法是一种新型启发式优化算法。针对教-学优化算法容易陷入局部最优的不足,提出了一种改进教-学优化算法(an improved teaching-learning based optimization,AITLBO)。在教学阶段通过扰动机制提高教师的教学效果,避免算法陷入局部最优。在学习阶段初期分别采取较差学生向优秀学生动态随机学习和优秀学生重新向教师随机学习的策略使当前解向最优方向进化,避免较差解破坏较优解的结构,提高了学习阶段学生的学习效率。在学习阶段后期引入了学生自我反思的学习策略,实现算法对局部信息的精细搜索,提高算法对解空间信息开发的能力,避免了算法因过早收敛易陷入局部最优的不足。将其与目前较优的几种改进TLBO算法和其他启发式优化算法进行性能测试对比,结果表明AITLBO算法具有较高的寻优精度和较快的收敛速度。展开更多
文摘针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法(chimp optimization algorithm improved by the elite chaos pool collaborative teaching-learning,ECTChOA)。采用混沌精英池策略生成初始种群,增强初始解的质量和种群的多样性,为算法全局寻优奠定基础;引入自适应振荡因子平衡ChOA的全局探索和局部开发能力;结合教与学优化算法的教学阶段和粒子群优化算法的个体记忆思想优化种群位置更新过程,提高算法的寻优精度和收敛速度。仿真实验将ECTChOA与标准ChOA、其他元启发式优化算法和最新改进ChOA在12个基准测试函数下进行寻优对比,实验结果与Wilcoxon秩和检验p值结果均表明所提改进算法具有更高搜索精度、更快的收敛速度和更好的鲁棒性。另外,将ECTChOA应用于机械工程设计案例中,进一步验证ECTChOA在实际工程问题中的可行性和适用性。
文摘为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种群,保证种群的多样性;其次,在教师和学生阶段分别引入黄金正弦算法和基于莱维飞行与对数螺旋线的搜索策略优化个体的位置更新公式,增强并平衡算法的全局和局部收敛性能;最后,设计仿真对其寻优性能进行测试,结果表明改进后的教与学优化算法寻优速度、精度以及稳定性显著提升,且具有较强跳出局部最优的能力。
文摘教-学优化算法是一种新型启发式优化算法。针对教-学优化算法容易陷入局部最优的不足,提出了一种改进教-学优化算法(an improved teaching-learning based optimization,AITLBO)。在教学阶段通过扰动机制提高教师的教学效果,避免算法陷入局部最优。在学习阶段初期分别采取较差学生向优秀学生动态随机学习和优秀学生重新向教师随机学习的策略使当前解向最优方向进化,避免较差解破坏较优解的结构,提高了学习阶段学生的学习效率。在学习阶段后期引入了学生自我反思的学习策略,实现算法对局部信息的精细搜索,提高算法对解空间信息开发的能力,避免了算法因过早收敛易陷入局部最优的不足。将其与目前较优的几种改进TLBO算法和其他启发式优化算法进行性能测试对比,结果表明AITLBO算法具有较高的寻优精度和较快的收敛速度。
