2024年新算法，教育竞争优化器，原理详解，MATLAB代码免费获取

教育竞争优化器（Educational Competition Optimizer, ECO)是一种受现实世界教育资源分配场景启发的元启发式优化算法。该算法将迭代过程分为三个不同的阶段：小学、初中和高中。作为一种有效的基于人类的优化模型，ECO利用了一种创新的轮盘赌结构，在三个不同的阶段迭代循环。这种循序渐进的方法逐渐缩小了潜在解决方案的范围，反映了教育系统内部的逐步竞争。在保证种群质量的同时，ECO有效地增强了种群多样性，努力避免局部最优。

该成果于2024年发表在计算机领域四区SCI期刊“International Journal of Systems Science”上。

1、算法原理

（1）种群初始化

鉴于教育的缺失会导致社会混乱，我们使用逻辑混沌映射来模拟这一现象。Logistic混沌映射的初始化公式，考虑了N的种群规模、Maxiter的最大迭代次数以及Lb(下界)和Ub(上界)的搜索界，可以表示为：

其中xi表示第i次迭代值，xi - 1表示前一次迭代值。将混沌值xi映射到搜索空间:

（2）第一阶段:小学阶段

在小学阶段，学校通过考虑人口的平均位置来确定合适的教学地点。另一方面，学生们根据邻近学校的远近来设定个人目标。在每次迭代中，根据健康程度排名前20%的人口被归类为学校，而剩下的80%构成学生。重要的是要注意，角色分配给个人(如学校或学生)的过程可以在整个迭代过程中动态变化。W是自适应步长。下图直观地说明了学校和学生在小学阶段采用的行为策略。

考虑到安全和便利等因素，小学生通常会选择离家近的学校。反过来，教育机构经常调整他们的位置，以适应学生群体的平均距离，促进可达性和出勤率。这种行为的数学表示由下式表示。

在式中，Xt i表示当前位置，而Xt+1 i表示后续更新的位置。Xt imean表示第i所学校在第n轮迭代中向量各元素的平均位置，Levy(D)表示Levy分布。close(X)表示离X最近的学校位置。Randn表示服从正态分布的随机变量。相关参数和功能可以进一步说明如下:

Xt imean表示第i所学校在第n轮迭代中向量各元素的平均位置。Xt mean表示当前蜂群的平均位置，记为Xt mean。他们重新计算为showineq。其中Xkt表示向量Xti中的第k个元素。

Levy分布：Levy分布的规则用下式表示，其中γ的赋值为1.5。

（3）第二阶段：中学阶段

在中学阶段，学校采用了一种复杂的方法来选择他们的教学地点。他们考虑了平均和最佳人口位置的组合。同样，这个级别的学生根据邻近学校的远近来设定个人目标。在每次迭代中，根据健康程度排名前10%的人扮演学校的角色，而剩下的90%则是学生。

随着中学学业压力的逐渐增大，学生的学习耐心用p来表示。根据学生是否有学业天赋，进一步将学生分为两组。对于这种分类，判断阈值H设置为0.5。对于有学术天赋的学生，其学习动机用E表示，而对于没有学术天赋的学生，其学习动机的固定值为E = 1。W是自适应步长。下图直观地展示了学校和学生在中学阶段采用的行为策略。

和小学一样，学生之间争夺更好教育资源的竞争也在加剧。这些行为的数学表示如下

用随机数r1模拟不同学生的天赋值，取一个在[0,1]范围内的值。

（4）第三阶段:高中阶段

在高中阶段，学校在选择教学地点时采取了细致的方法。他们不仅考虑平均人口位置，还考虑人口中最好和最差的位置。这种全面的评估有助于他们对自己的教育地点做出明智的决定。相反，所有学生都向当前最佳位置聚集，该位置被确定为最佳高中位置。优化过程激励每个学生努力进入这所最好的高中。在每一次迭代中，根据他们的健康状况，前10%的人被指定为学校，而剩下的90%继续作为学生。下图直观地展示了学校和学生在高中阶段采用的行为策略。

高中根据学生的人口结构来调整他们的位置，而学生们则争夺更好的教育机会，在追求卓越的过程中超越地理限制。下式为这种行为的数学表达式。

每个学生的天赋用一个随机数R2表示，R2的取值范围为[0,1]。

（5）ECO算法的伪代码

在ECO中，优化过程从随机生成一组预定的候选解决方案开始，即已知的人口。通过迭代轨迹，ECO的搜索策略探索最优解附近或已确定最佳解的区域。每个解决方案根据ECO优化过程中获得的最佳解决方案动态更新其位置。算法的完整架构通过算法1中的伪代码进行了详细说明，如图所示，提供了整个优化过程的全面演练，包括其迭代阶段和搜索策略。ECO充分利用了勘探和开发阶段的优势，确保了对搜索空间的彻底检查，并有效地收敛到最优解决方案。

ECO所对应的算法流程图如下图所示:

2、结果展示

3、MATLAB核心代码

function [avg_fitness_curve, Best_pos, Best_score, curve, search_history, fitness_history] = ECO(N, Max_iter, lb, ub, dim, fobj)
H = 0.5;  % Learning habit boundary
G1 = 0.2; % proportion of primary school (Stage 1)
G2 = 0.1; % proportion of middle school (Stage 2)
% BestF: Best value in a certain iteration
% WorstF: Worst value in a certain iteration
% GBestF: Global best fitness value
% AveF: Average value in each iteration
G1Number = round(N * G1); % Number of G1
G2Number = round(N * G2); % Number of G2
if (max(size(ub)) == 1)
    ub = ub .* ones(1, dim);
    lb = lb .* ones(1, dim);
end
%% Initialization
X0 = initializationLogistic(N, dim, ub, lb); %Logistic Chaos Mapping Initialization
X = X0;
% Compute initial fitness values
fitness = zeros(1, N);
for i = 1:N
    fitness(i) = fobj(X(i, :));
end
[fitness, index] = sort(fitness); % sort
GBestF = fitness(1); % Global best fitness value
AveF = mean(fitness);
for i = 1:N
    X(i, :) = X0(index(i), :);
end
curve = zeros(1, Max_iter);
avg_fitness_curve = zeros(1, Max_iter);
GBestX = X(1, :); % Global best position
GWorstX = X(end, :); % Global worst position
X_new = X;
search_history = zeros(N, Max_iter, dim);
fitness_history = zeros(N, Max_iter);
%% Start search
for i = 1:Max_iter
    if mod(i,100) == 0
      display(['At iteration ', num2str(i), ' the fitness is ', num2str(curve(i-1))]);
    end
    avg_fitness_curve(i) = AveF;
    R1 = rand(1);
    R2 = rand(1);
    P = 4 * randn * (1 - i / Max_iter);
    E = (pi * i) / (P * Max_iter);
    w = 0.1 * log(2 - (i / Max_iter));
    for j = 1:N
        % Stage 1:Primary school competition
        if mod(i, 3) == 1
            if j >= 1 && j <= G1Number %Primary school Site Selection Strategies
                X_new(j, :) = X(j, :) + w * (mean(X(j, :)) - X(j, :)) .* Levy(dim); 
            else %Competitive Strategies for Students (Stage 1)
                X_new(j, :) = X(j, :) + w * (close(X(j, :),1,X) - X(j, :)) .* randn(1);
            end
        % Stage 2:Middle school competition
        elseif mod(i, 3) == 2
            if j >= 1 && j <= G2Number %Middle school Site Selection Strategies
                X_new(j, :) = X(j, :) + (GBestX - mean(X)) * exp(i / Max_iter - 1) .* Levy(dim);
            else %Competitive Strategies for Students (Stage 2)
                if (R1 < H)
                    X_new(j, :) = X(j, :) - w * close(X(j, :),2,X) - P * (E * w *close(X(j, :),2,X) - X(j, :));
                else
                    X_new(j, :) = X(j, :) - w * close(X(j, :),2,X) - P * (w * close(X(j, :),2,X) - X(j, :));
                end
            end
        % Stage 3:High school competition
        else
            if j >= 1 && j <= G2Number %High school Site Selection Strategies
                X_new(j, :) = X(j, :) + (GBestX - X(j, :)) *randn - (GBestX - X(j, :)) * randn;
            else %Competitive Strategies for Students (Stage 3)
                if (R2 < H)
                    X_new(j, :) = GBestX - P * (E * GBestX - X(j, :));
                else
                    X_new(j, :) = GBestX - P * (GBestX - X(j, :));
                end
            end
        end
        % Boundary control
        Flag4ub=X_new(j,:)>ub;
        Flag4lb=X_new(j,:)<lb;
        X_new(j,:)=(X_new(j,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        % Finding the best location so far
        fitness_new(j) = fobj(X_new(j, :));
        if fitness_new(j) >  fitness(j)
            fitness_new(j) = fitness(j);
            X_new(j, :) = X(j,:);
        end
        if fitness_new(j) < GBestF
            GBestF = fitness_new(j);
            GBestX = X_new(j, :);
        end
    end
    X = X_new;
    fitness = fitness_new;  
    curve(i) = GBestF;
    Best_pos = GBestX;
    Best_score = curve(end);
    search_history(:, i, :) = X;
    fitness_history(:, i) = fitness;
    % Sorting and updatin
    [fitness, index] = sort(fitness); % sort
    for j = 1:N
        X0(j, :) = X(index(j), :);
    end 
    X = X0;
end
%%  Levy search strategy
function o = Levy(d)
    beta = 1.5;
    sigma = (gamma(1 + beta) *sin(pi * beta / 2) / (gamma((1 + beta) / 2) * beta * 2^((beta - 1) / 2)))^(1 / beta);
    u = randn(1, d) * sigma;
    v = randn(1, d);
    step = u ./ abs(v).^(1 / beta);
    o = step;
end    
%%  Choosing the Nearest School
function o = close(t,G,X)
  m = X(1,:);
  if G == 1
     for s = 1:G1Number
        school = X(s, :);
        if  sum(abs(m - t)) > sum(abs(school - t))
            m = school;
        end
     end
  else
     for s = 1:G2Number
        school = X(s, :);
        if  sum(abs(m - t)) > sum(abs(school - t))
            m = school;
        end
     end
  end
  o = m;  
end
%% Logistic chaotic mapping initialization
function Positions=initializationLogistic(pop,dim,ub,lb)
    Boundary_no= length(ub); % number of boundaries
    for i = 1:pop
        for j = 1:dim
            x0 = rand;
            a = 4;
            x = a*x0*(1-x0);
            if Boundary_no == 1
                Positions(i,j) = (ub-lb)*x + lb;
                if Positions(i,j)>ub
                    Positions(i,j) = ub;
                end
                if Positions(i,j)<lb
                    Positions(i,j) = lb;
                end
            else
                Positions(i,j) = (ub(j)-lb(j))*x + lb(j);
                if Positions(i,j)>ub(j)
                    Positions(i,j) = ub(j);
                end
                if Positions(i,j)<lb(j)
                    Positions(i,j) = lb(j);
                end
            end
            x0 = x;
        end
    end
end
end
微信公众号搜索：淘个代码，获取更多免费代码
%禁止倒卖转售，违者必究！！！！！
%唯一官方店铺：https://mbd.pub/o/author-amqYmHBs/work
%代码清单：https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu

参考文献

[1]Lian J, Zhu T, Ma L, et al. The educational competition optimizer[J]. International Journal of Systems Science, 2024: 1-38.

完整代码获取

后台回复关键词：

TGDM811

获取更多代码：

或者复制链接跳转：
https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu