引导学习策略:一种新的元启发式算法设计与改进的更新机制

---

1.摘要

元启发式算法（MH）是一种受自然启发的全局优化算法。这些算法通常相对简单，能在短时间内解决问题，带来一定的益处。然而，随着问题复杂度的增加，算法能够获得的解通常不是问题的最优解，这限制了它的应用场景。因此，提高现有算法的性能和解决精度对于扩大它们的应用能力至关重要。在传统优化算法中，通常有两个概念，即探索和开发。探索指的是广泛的离散搜索，用于避免陷入局部最优；开发则指的是小范围的集中探索，用于提高算法精度。如何平衡探索与开发是提升算法性能和问题适应性的关键。本文提出了一个全新的策略，名为引导学习策略（GLS），以解决上述问题。GLS通过计算近几代个体历史位置的标准差来获得种群的离散度，并推断算法当前需要什么指导。当算法倾向于探索时，它将指导算法进行开发；否则，它将指导算法进行探索。

2.GLS策略

算法需要通过动态平衡探索和开发来有效解决问题，这类似于教学中的反馈机制。文中提出了一种用于分析和指导算法的机制，其中包括定义反馈结果Vo和参数α，以及设置经验上限Cmax来调整指导的频率和持续时间。算法的当前需求通过计算历史个体（学习经验）的离散度来评估，离散度高表示算法正在探索，而集中则表示正在开发。最后，反馈结果通过标准化处理，使得不同情况下都能使用同一套评价标准。

$$\begin{array}{l}Vo=std(St)\ast B\\ \\ B=200/(ub-lb)\end{array}\text{\hspace{1em}(1)}$$

St代表学习经验，存储历史中最近的Cmax个个体X，B用于标准化Vo以防止其受到问题上下界变化的影响。位置更新:
$$Xnew=\{\begin{array}{l}Xbest+\tan (R\ast \pi )\ast (ub-lb)/Vo,Vo>\alpha \\ R\ast (ub-lb),Vo\le \alpha \end{array}\text{\hspace{1em}(2)}$$

在指导阶段，算法将被引导以获得指导结果Xnew。当检测到算法当前的需求是开发（Vo > α）时，将指导算法并利用历史上的最优个体。当检测到算法当前的需求是探索（Vo ≤ α）时，将指导算法并探索全局空间。

伪代码

流程图

3.结果展示

作者上传的Github链接已撤销，故复现一下GLS改进策略，应用到海洋捕食者算法MPA。

4.参考文献

[1] Jia H, Lu C. Guided learning strategy: A novel update mechanism for metaheuristic algorithms design and improvement[J]. Knowledge-Based Systems, 2024, 286: 111402.

5.代码获取