融合经验反思机制的教与学优化算法

摘要: 针对传统教与学算法存在易陷入局部最优、收敛速度慢和求解精度低等问题，提出一种融合经验反思机制的教与学优化算法(empirical reflection teaching learning based optimization, ERTLBO)。首先在教学阶段引入经验反思机制，遴选精英个体引导普通个体向教师靠近，提高班级整体水平，从而提高算法全局探索能力。其次在学习阶段引入动态自适应权重，能够根据学生的适应度值对位置进行自适应扰动，进而实现个体位置的动态更新，提高算法跳出局部最优的能力。仿真实验选取23个基准测试函数对ERTLBO同其他变体和流行算法进行性能测试。实验结果表明，ERTLBO算法具有更好的寻优性能和求解稳定性。最后，通过2个工程设计问题进一步验证ERTLBO解决实际问题的有效性和优越性。

• 关键词: 
• 教与学优化算法  /  
• 经验反思机制  /  
• 动态自适应权重  /  
• 元启发式算法  /  
• 基准函数  /  
• 压力容器设计问题  /  
• 焊接梁设计问题  /  
• Wilcoxon秩和检验  

近年来不同学科和工程领域中的优化问题日益复杂与多样化，诸如牛顿法、梯度下降法和共轭梯度法等传统优化方法已经不能满足实际需求。因此，许多研究者受自然启发，通过模仿生物或物理现象提出了各种元启发式优化算法。与传统优化算法不同，元启发式优化算法概念简单，不需要梯度信息，灵活且易于实现，可广泛应用于不同领域下的各类优化问题[1-3]。其中，教与学优化算法(teaching-learning-based optimization, TLBO)[4]是印度学者Rao等于2011