一、理论基础
1、标准TLBO算法
请参考这里。
2、混沌映射与差分进化的自适应TLBO算法
(1)改进的Logistic混沌映射
目前,研究结果表明Logistic混沌映射产生的变量具有较强的遍历性,能够提高初始种群多样性。标准Logistic混沌映射为:
z
n
+
1
=
μ
z
n
(
1
−
z
n
)
(1)
z_{n+1}=\mu z_n(1-z_n)\tag{1}
zn+1=μzn(1−zn)(1)其中,
μ
∈
[
0
,
4
]
\mu\in[0,4]
μ∈[0,4],本文取值为4;
z
n
z_n
zn为第
n
n
n个混沌变量,取值范围为
[
0
,
1
]
[0,1]
[0,1]。
当
μ
\mu
μ取4且
z
0
≠
{
0
,
0.25
,
0.5
,
0.75
,
1
}
z_0≠\{0,0.25,0.5,0.75,1\}
z0={0,0.25,0.5,0.75,1}时,Logistic混沌映射能够产生取值范围为
[
0
,
1
]
[0,1]
[0,1]之间的混沌变量,但主要集中在1号和10号区域。其中1号区域表示区间为
[
0
,
0.1
]
[0,0.1]
[0,0.1],2号区域表示区间为
(
0.1
,
0.2
]
(0.1,0.2]
(0.1,0.2],
⋯
\cdots
⋯,10号区域表示区间为
(
0.9
,
1
]
(0.9,1]
(0.9,1]。由此可知,标准Logistic混沌映射产生的混沌变量分布均匀性欠佳,致使遍历性仍然有待加强。为此,将1号与10号区域的混沌变量转移到其他区域,提出了改进的Logistic混沌映射以提高遍历性,具体公式如下:
z
n
+
1
o
l
d
=
μ
z
n
o
l
d
(
1
−
z
n
o
l
d
)
(2)
z_{n+1}^{old}=\mu z_n^{old}(1-z_n^{old})\tag{2}
zn+1old=μznold(1−znold)(2)
z
n
+
1
n
e
w
=
{
0.1
+
0.8
⋅
r
a
n
d
,
z
n
+
1
o
l
d
≤
0.1
o
r
z
n
+
1
o
l
d
≥
0.9
a
n
d
λ
>
0.5
z
n
+
1
o
l
d
,
e
l
s
e
(3)
z_{n+1}^{new}=\begin{dcases}0.1+0.8\cdot rand,\quad z_{n+1}^{old}≤0.1\,\,or\,\,z_{n+1}^{old}≥0.9\,\,and\,\,\lambda>0.5\\z_{n+1}^{old},\quad\quad\quad\quad\quad\,\,\,\,\, else\end{dcases}\tag{3}
zn+1new={0.1+0.8⋅rand,zn+1old≤0.1orzn+1old≥0.9andλ>0.5zn+1old,else(3)选取标准Logistic混沌映射与改进Logistic混度映射进行对比,均产生200个混沌变量,两者遍历性如图1所示。
由图1可知,改进的Logistic混沌映射将1号与10号区域的混沌变量均匀地转移到其他区域,体现了更优的遍历性。因此,基于改进Logistic混沌映射进行种群初始化,公式如下: x j i = l b + z n + 1 n e w ( u b − l b ) (4) x_j^i=l_b+z_{n+1}^{new}(u_b-l_b)\tag{4} xji=lb+zn+1new(ub−lb)(4)
(2)惯性权重自适应调节函数
在粒子群优化算法中,惯性权重能够平衡全局与局部寻优能力,对算法收敛速度与逼近性能影响较大。在此将其引入TLBO算法,提出了自适应惯性权重调节函数,以种群个体适应度更新率与迭代步数作为反馈参数,计算公式如下: ω ( t ) = 1 1 + p ( t ) ⋅ e 10 t max ⋅ ( t − t max 2 ) (5) \omega(t)=\frac{1}{1+p(t)\cdot e^{\frac{10}{t_{\max}}\cdot(t-\frac{t_{\max}}{2})}}\tag{5} ω(t)=1+p(t)⋅etmax10⋅(t−2tmax)1(5) p ( t ) = n u p d a t e ( t ) n max (6) p(t)=\frac{n_{update}(t)}{n_{\max}}\tag{6} p(t)=nmaxnupdate(t)(6) x n e w i = ω ( t ) ⋅ x o l d i − r i ⋅ ( x t e a c h e r − T F ⋅ x M ) (7) x_{new}^i=\omega(t)\cdot x_{old}^i-r_i\cdot(x_{teacher}-TF\cdot x_M)\tag{7} xnewi=ω(t)⋅xoldi−ri⋅(xteacher−TF⋅xM)(7) x n e w i = { ω ( t ) ⋅ x o l d i − r 1 ⋅ ( x i − x j ) , f ( x i ) < f ( x j ) ω ( t ) ⋅ x o l d i − r 1 ⋅ ( x j − x i ) , f ( x i ) > f ( x j ) (8) x_{new}^i=\begin{dcases}\omega(t)\cdot x_{old}^i-r_1\cdot(x^i-x^j),\quad f(x^i)<f(x^j)\\\omega(t)\cdot x_{old}^i-r_1\cdot(x^j-x^i),\quad f(x^i)>f(x^j)\end{dcases}\tag{8} xnewi={ω(t)⋅xoldi−r1⋅(xi−xj),f(xi)<f(xj)ω(t)⋅xoldi−r1⋅(xj−xi),f(xi)>f(xj)(8)其中, ω ( t ) \omega(t) ω(t)为第 t t t次迭代中惯性权重取值; t max t_{\max} tmax为最大迭代次数; p ( t ) p(t) p(t)为种群个体适应度更新率。若寻优问题为求解最大值,则 n u p d a t e ( t ) n_{update}(t) nupdate(t)为种群个体在第 t t t次迭代中适应度提高个数;反之, n u p d a t e ( t ) n_{update}(t) nupdate(t)为种群个体在第 t t t次迭代中适应度降低个数, n max n_{\max} nmax为种群个体总数。
(3)教改阶段
本文提出了教改阶段,监督迭代寻优中后期最优个体适应度的更新情况,若连续
L
L
L次迭代的最优适应度未提高,算法可能陷入了局部最优,则基于变异进化思想,设计了学生不
仅局限于向教师学习,同时需要向成绩最优学生(即次优个体)与进步最快学生学习(即在
L
L
L次中迭代中适应度值提高最大的学生)的差分变异策略,帮助算法跳出局部最优,具体公式如下:
x
n
e
w
i
=
x
t
e
a
c
h
e
r
+
F
⋅
(
x
b
e
s
t
s
t
u
d
e
n
t
−
x
o
l
d
i
)
+
F
⋅
(
x
b
e
s
t
p
r
o
c
e
s
s
−
x
o
l
d
i
)
(9)
x_{new}^i=x_{teacher}+F\cdot(x_{beststudent}-x_{old}^i)+F\cdot(x_{bestprocess}-x_{old}^i)\tag{9}
xnewi=xteacher+F⋅(xbeststudent−xoldi)+F⋅(xbestprocess−xoldi)(9)其中,
x
b
e
s
t
s
t
u
d
e
n
t
x_{beststudent}
xbeststudent为适应度最优学生;
x
b
e
s
t
p
r
o
c
e
s
s
x_{bestprocess}
xbestprocess为进步最快学生;
F
F
F为变异因子,本文取值为0.5。
二、仿真实验与分析
将本文改进算法(CMDEATBLO)与标准TLBO算法进行对比,以表1中的f2、f3、f11(单峰函数/50维)和f4、f10、f12(多峰函数/50维)为例。设置种群规模 N = 30 N=30 N=30,最大迭代次数 t max = 500 t_{\max}=500 tmax=500,每个算法独立运算30次。
结果显示如下:
函数:F2
TLBO:平均值:1.0637e-187,标准差:0,最差值: 1.4043e-186,最优值:7.1352e-194
CMDEATLBO:平均值:0,标准差:0,最差值: 0,最优值:0
函数:F3
TLBO:平均值:2.6723e-75,标准差:8.0338e-75,最差值: 4.3837e-74,最优值:6.2738e-78
CMDEATLBO:平均值:0,标准差:0,最差值: 0,最优值:0
函数:F11
TLBO:平均值:2.5351e-82,标准差:5.725e-82,最差值: 2.9354e-81,最优值:3.9958e-84
CMDEATLBO:平均值:0,标准差:0,最差值: 0,最优值:0
函数:F4
TLBO:平均值:0,标准差:0,最差值: 0,最优值:0
CMDEATLBO:平均值:0,标准差:0,最差值: 0,最优值:0
函数:F10
TLBO:平均值:20,标准差:4.761e-10,最差值: 20,最优值:20
CMDEATLBO:平均值:8.8818e-16,标准差:0,最差值: 8.8818e-16,最优值:8.8818e-16
函数:F12
TLBO:平均值:2.9732e-05,标准差:3.8267e-05,最差值: 0.00019546,最优值:4.7014e-07
CMDEATLBO:平均值:5.5432e-10,标准差:9.9406e-10,最差值: 3.0546e-09,最优值:4.0183e-22
测试结果表明改进算法的寻优精度和稳定性均有明显提升。
三、参考文献
[1] 孙凤山, 范孟豹, 曹丙花, 等. 基于混沌映射与差分进化自适应教与学优化算法的太赫兹图像增强模型[J]. 仪器仪表学报, 2021, 42(4): 92-101.