Research on Improved Teaching Learning-Based Optimization Algorithm and Its Application

【摘要】：目前,组合优化问题广泛地存在于国民经济的各个领域,针对组合优化问题的求解能够为经济建设、宏观决策等重大问题提供有力的科学支撑,提高决策的科学性、正确性以及前瞻性。然而,随着问题规模的不断增大,大多数的组合优化问题搜索空间呈指数型增大,搜索地形愈加崎岖,使用传统的方法通常求解速度缓慢且质量不高。因此,目前对于组合优化问题的研究以及有效地求解组合优化问题仍然是学术界的研究热点之一。由于智能优化算法通常能够从某一任意可行解出发,通过迭代获取高质量的可行解,目前已经成为解决复杂组合优化问题的重要方法。教与学优化算法(Teaching Learning Based Optimization)是一种新型的群体智能优化算法,由于其独特的运行机制以及相对优良的性能受到了广泛的关注。然而,TLBO算法中仍然存在求解精度不高、收敛速度较慢等问题。本文针对TLBO算法进行了深入的研究,通过理论和实验分析了TLBO算法的优缺点并对TLBO算法进行改进提出了一种改进的自我激励的TLBO算法。本文的主要研究内容如下:(1)本文首先从理论角度对TLBO算法进行了深入的分析,并通过仿真实验在CEC2017标准测试集上对TLBO算法和三种对比算法的性能进行了比较。实验结果表明TLBO算法在高维问题和多峰函数的求解过程中容易陷入局部最优导致求解精度不高。(2)由于在标准的TLBO算法中,学习阶段没有自学方法,只能根据当前状态随机探索,缺乏有效的自我引导。本文设计了一种新的自我学习策略用于平衡算法的全局搜索能力和局部搜索能力。(3)本文将提出的自我学习策略引入标准TLBO算法中并提出了一种改进的基于自我激励的TLBO算法。在该算法中,自我学习策略用于学习阶段以实现寻优过程中的自我引导。仿真实验结果表明,改进的基于自我激励的TLBO算法性能显著优于标准TLBO算法及其他对比算法。