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。
![de440086b054a080678b127a6b06ac3b.png](https://img-blog.csdnimg.cn/img_convert/de440086b054a080678b127a6b06ac3b.png)
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。
![03bdc11af1bc44986a6447a724fcd725.png](https://img-blog.csdnimg.cn/img_convert/03bdc11af1bc44986a6447a724fcd725.png)
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。
![b2078313c085faafae33193ffa4fb5b8.png](https://img-blog.csdnimg.cn/img_convert/b2078313c085faafae33193ffa4fb5b8.png)
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。
![e7ccddeaadc10b2ed0e4b62ee2003372.png](https://img-blog.csdnimg.cn/img_convert/e7ccddeaadc10b2ed0e4b62ee2003372.png)
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
![ef1c0febe28ef236993b0f7e38c83152.png](https://img-blog.csdnimg.cn/img_convert/ef1c0febe28ef236993b0f7e38c83152.png)
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。
![e6ccbd16ae16f7f81df8cc0ea1dda526.png](https://img-blog.csdnimg.cn/img_convert/e6ccbd16ae16f7f81df8cc0ea1dda526.png)
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。
![eadb590d409cc48054b14018060c3e70.png](https://img-blog.csdnimg.cn/img_convert/eadb590d409cc48054b14018060c3e70.png)
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。
![89cc06841066e53fdc0e754557a653f4.png](https://img-blog.csdnimg.cn/img_convert/89cc06841066e53fdc0e754557a653f4.png)
ECO所对应的算法流程图如下图所示:
![4101590a4e874410af3580e30337100b.png](https://img-blog.csdnimg.cn/img_convert/4101590a4e874410af3580e30337100b.png)
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