基于反馈的精英教学优化算法

YU Kun-Jie1 WANG Xin2 WANG Zhen-Lei1 Abstract Elitist teaching-learning-based optimization (ETLBO) is a novel optimization algorithm based on the practical teaching-learning process of the class. In this paper, we propose a feedback elitist teaching-learning-based optimization (FETLBO) to solve the problem of low precision and poor stability of the ETLBO. Based on the ETLBO, a feedback phase is introduced at the end of the learner phase to increase the learning style and ensure the diversity of students so as to improve the algorithm s global search ability. Meanwhile, the feedback phase is for the slow students to communicate with the teacher and enables them to be close to the teacher quickly, so that the algorithm uses the fine local search and improves the precision. Six unconstrained and five constrained classic tests show that the FETLBO algorithm outperforms the other algorithms in precision and stability. Finally, the FETLBO algorithm is applied to the tension/compression spring design problem and the 0-1 knapsack problem, and obtains satisfactory results. Key words mization Evolutionary algorithms, elitist teaching-learning-based optimization algorithm, feedback, function opti-
学生们传授知识, 这样就可以增加整个班级的平均 分. 正如图 2 所示, 教师 TA 通过教授学生们知识努 力将班级的平均分由 MA 靠近新的平均分 MB , 这 样学生们又需要比他们知识多的新教师, 如图 2 中 的新曲线 B 上的新教师 TB .
图1
Fig. 1
不同教师教学下的学生分数分布
two different teachers
在工程优化、来自百度文库算机网络和人工智能等领域 常常会遇到大规模、非线性、多极值等问题, 这类 问题很难用传统数学手段处理. 智能优化算法依 据计算机的迭代计算能力, 不依赖优化问题本身, 很好地解决了这一问题. 从 1975 年遗传算法 (Genetic algorithm, GA)[1] 提出至今, 涌现出许多智 能优化算法, 如粒子群算法 (Particle swarm optimization, PSO)[2−5] 、差分进化算法 (Differential evolution, DE)[6−7] 、 群搜索算法 (Group search optimization, GSO)[8] 和人工蜂群算法 (Artificial bee colony, ABC)[9−11] 等. 然而这些算法在搜索和寻优 性能方面还存在一些缺陷, 例如粒子群算法的求解 是多样性逐渐丧失的过程, 所以粒子群算法局部寻 优能力较差且易于发生早熟收敛现象. 因此, 研究者 们将一些新理论、 新方法引入其中, 为智能算法的发
Chemical Processes, East China University of Science and Technology, Shanghai 200237 2. Center of Electrical and Electronic Technology, Shanghai Jiao Tong University, Shanghai 200240
Recommended by Associate Editor LIU De-Rong 1. 华东理工大学化工过程先进控制和优化技术教育部重点实验室 上海 200237 2. 上海交通大学电工与电子技术中心 上海 200240 1. Key Laboratory of Advanced Control and Optimization for
Distribution curves of learners marks taught by
Fig. 2
图 2 学生获得分数的分布曲线 Distribution curve of marks obtained for
DOI
进化算法, 精英教学优化算法, 反馈, 函数优化 于坤杰, 王昕, 王振雷. 基于反馈的精英教学优化算法. 自动化学报, 2014, 40(9): 1976−1983
10.3724/SP.J.1004.2014.01976
Elitist Teaching-learning-based Optimization Algorithm Based on Feedback
收稿日期 2013-07-08 录用日期 2014-02-26 Manuscript received July 8, 2013; accepted February 26, 2014 国家重点基础研究发展计划 (973 计划) (2012CB720500), 国家自 然科学基金 (61333010, 21276078, 21206037), 中央高校基本科研 业 务 费 专 项 资 金 (863 计 划) (2013AA0400701), 上 海 市 科 技 攻 关 (12dz1125100), 十二五国家科技支撑计划 (2012BAF05B00), 上海 市重点学科建设项目 (B504), 上海市自然科学基金 (14ZR1421800), 流程工业综合自动化国家重点实验室开放课题基金资助项目 (PALN201404) 资助 Supported by National Basic Research Program of China (973 Program) (2012CB720500), National Natural Science Foundation of China (61333010, 21276078, 21206037), The Central University Basic Scientific Research Business Expenses Special Funds (863 Program) (2013AA0400701), Shanghai Science and Technology Research Projects (12dz1125100), National Science and Technology Support Project during the 12th Five-Year Plan Period (2012BAF05B00), Shanghai Leading Academic Discipline Project (B504), Shanghai Natural Science Foundation (14ZR1421800), the State Key Laboratory of Synthetical Automation for Process Industries (PAL-N201404) 本文责任编委 刘德荣
9期
于坤杰等: 基于反馈的精英教学优化算法
1977
展提供了新的思路. 教学优化算法 (TLBO) 是 Rao 等于 2011 年提 出的新型优化算法[12] . 该算法仅有群成员数和迭代 代数两个参数, 需要设置的参数少, 避免了因参数 设置不当造成的计算能力增加或者陷入 局部最 优的 问题[13−14] . TLBO 算法自提出以来, 引起了许多学 者的关注. 2012 年 Rao 等提出了精英 TLBO 算法 (Elitist TLBO, ETLBO)[15] , ETLBO 算法在解决 复杂约束问题上, 显示出了很好的性能. Rajasekhar 等提出了相对精英教学优化算法 (ETLOBA)[16] , 该 算法在寻优精度及收敛速度上比 TLBO 算法有所 改进. 然而, 上述算法的寻优精度及稳定性还不够 高. 针对上述问题, 本文提出了反馈精英教学优化算 法 (Feedback ETLBO, FETLBO). 在 ETLBO 算 法的基础上, 在学生阶段之后加入了反馈阶段, 给学 生提供了与教师交流的机会, 学生主动且有目的的 与教师交流进行查缺补漏, 这样学生的学习方式在 教师阶段的 “教” 过程和学生阶段的学生互相交流 过程基础上有所增加, 学生的学习方式更加多样化, 提高算法的全局搜索能力. 同时, 反馈阶段是选举成 绩较差的学生与教师交流, 成绩差的学生迅速向教 师靠拢, 使算法后期进行局部精细搜索, 算法搜索更 加细致, 提高了算法精度. 反馈阶段的加入不但增加 了 ETLBO 算法的搜索细致性, 还提高了算法的全 局搜索能力, 改善了该算法的寻优精度及稳定性. 为 验证改进算法的性能, 本文选用 6 个无约束函数及 5 个约束函数进行测试, 结果表明 FETLBO 算法不 但有更好的寻优精度和稳定性, 而且有更好地处理 约束问题的能力. 最后将 FETLBO 算法应用于拉 压弹簧优化设计问题和 0-1 背包问题, 也取得了较 好的优化效果.
Citation Yu Kun-Jie, Wang Xin, Wang Zhen-Lei. Elitist teaching-learning-based optimization algorithm based on feedback. Acta Automatica Sinica, 2014, 40(9): 1976−1983
第 40 卷 第 9 期
2014 年 9 月
自 动 化 学 报
ACTA AUTOMATICA SINICA
Vol. 40, No. 9 September, 2014
基于反馈的精英教学优化算法
于坤杰 1 王 昕2 王振雷 1
摘 要 精英教学优化算法 (Elitist teaching-learning-based optimization, ETLBO) 是一种基于实际班级教学过程的新型 优化算法. 本文针对 ETLBO 算法寻优精度低、稳定性差的问题, 提出了反馈精英教学优化算法 (Feedback ETLBO). 在 ETLBO 算法的基础上, 通过在学生阶段之后加入反馈阶段, 增加了学生的学习方式, 保持学生的多样性特性, 提高算法的全 局搜索能力. 同时, 反馈阶段是选举成绩较差的学生与教师交流, 使成绩较差的学生快速向教师靠拢, 使算法进行局部精细搜 索, 提高算法的寻优精度. 对 6 个无约束及 5 个约束标准函数的测试结果表明, FETLBO 算法与其他算法相比在寻优精度和 稳定性上更具优势. 最后将 FETLBO 算法应用于拉压弹簧优化设计问题及 0-1 背包问题, 取得了满意结果. 关键词 引用格式