【摘 要】
:
在信息化时代背景下,科学研究和工程实践等领域鼎力发展,由此产生了许多难以解决的复杂优化问题,如何设计更加有效的优化方法,已然成为众多学术领域亟待解决的焦点问题。在这样的需求导向下,智能优化算法应势而生,因为其可以高效迅速地解决多峰、不可微、不可分、不连续等复杂的优化问题,应用前景十分宽泛,与其相关的研究迅速壮大,许多基于不同原理的新算法被相继提出。2011年,印度学者Rao基于学校教学原理提出了一
论文部分内容阅读
在信息化时代背景下,科学研究和工程实践等领域鼎力发展,由此产生了许多难以解决的复杂优化问题,如何设计更加有效的优化方法,已然成为众多学术领域亟待解决的焦点问题。在这样的需求导向下,智能优化算法应势而生,因为其可以高效迅速地解决多峰、不可微、不可分、不连续等复杂的优化问题,应用前景十分宽泛,与其相关的研究迅速壮大,许多基于不同原理的新算法被相继提出。2011年,印度学者Rao基于学校教学原理提出了一种新的智能优化算法——教学优化算法,其将学生成绩比作适应度值,模仿学校提高学生成绩的方式,将教师教学和学生学习的过程抽象为教学阶段和学习阶段,其原理贴近生活,易于理解,便于使用,且控制参数较少,是解决传统优化算法难以解决的优化问题的有力算法。目前,教学优化算法相关研究处于初步阶段,与其它算法一样,基本教学优化算法也存在求解精度不高、局部搜索能力有所欠缺等问题。针对这些问题,本文以更高效、更实用、更稳定为目标对教学优化算法做出如下改进工作:(1)针对教学优化算法探索能力强但开发能力弱的特点,根据一般反向学习方法,提出了基于自学机制的教学优化算法。在该算法中,为了使教师在进化中能更好地引导种群进化,令教师个体在每次迭代前根据一般反向学习方法进行自学提升,从而有效避免由于教师本身不够优秀而对算法寻优带来的负面影响,同时,为了增强算法局部搜索能力,在学习阶段建立了三种更新机制,使个体进行概率型的有选择性的学习。最后,对18个标准测试函数进行数值实验,结果显示,相比其它算法该算法不易陷入局部“低谷”,求解精度更高,稳定性更好。(2)为了进一步地提高教学优化算法的开发能力,结合聚类划分方法提出了一种多班级交互式教学优化算法。该算法采用新型的基于欧氏距离的聚类划分方法,将初始种群划分为若干子群,从而更大化地利用种群邻域信息,提高种群局部搜索能力。同时为加强子群间的联系、保证各子群间同步进化,在教学阶段后令各子群间最差个体向种群最优个体学习,在学习阶段后令随机个体向其他子群个体学习,增强了种群多样性,提高了求解精度。通过对6个无约束函数、4个约束函数及拉压弹簧优化问题进行数值实验,结果表明该算法相对其他算法具有良好的求解精度和稳定性,且在工程优化问题中表现突出。
其他文献
用户在淘宝、京东、Amazon、豆瓣、大众点评、Tripadvisor等Web2.0应用上的评分行为产生了海量评分数据,这些数据直观反映了用户对商品或服务的评价,同时蕴含着用户潜在偏好。评分数据涉及应用广泛,具有稀疏、多维等特点,一般包括用户属性、评分对象属性以及评分值。基于评分数据对用户偏好建模,构建能描述评分数据各变量间依赖关系的用户偏好模型,对实现个性化服务、精准营销有着重要意义。此外,为了
新媒体时代相对于传统媒体而言,网络信息的传播量更大、更快捷和广泛、即时性和互动性更强,任何人可以突破时空界限在各类新媒体平台上发布信息和推送舆情,方式上显得更为时
生命体中,各种蛋白组装体发挥其特殊的功能,如新陈代谢、维持细胞形态等,以蛋白为操作基元构建功能化的组装体一直是蛋白工程领域前沿课题。基于蛋白多样结构特性和识别能力,
全国青少年校园足球自2009年开展以来,得到了国家领导人和社会各界人士的关注及支持。孝感市三里棚小学为了更好的发展和推广校园足球,学校领导大胆革新,通过服务外包的模式,
网络社群已成为大学生群体聚集的重要平台,教育对象网络化、教育载体技术化、教育评价数字化、教育方法专业化是大学生网络社群思想政治教育的鲜明特征。网络社群的"原子化运
本文主要对具有结构阻尼和无限时滞的梁振动方程解的存在性进行研究.本文由五章内容组成.第一章,主要对课题的研究背景、本文的主要工作和课题研究所要用到的定义和基本结果进行了简要概述.比如算子半群理论,相空间理论,非紧性测度理论,凝聚映射等.第二章,主要是关于非线性项为f(t,ut)的梁振动方程mild解的存在性的讨论.此类初值问题的特殊性在于它考虑了时间的滞后性这个因素.应用算子半群理论,相空间理论和
本研究以产琼胶酶的微球菌为实验菌株,通过克隆获得其全基因组序列,在Blast上比对序列、分析结构,氨基酸序列构建发育树,得知该酶属于GH16家族的β-琼胶酶。通过克隆表达含不
随着移动视频流量的迅猛增长,基站和核心网链路面临着巨大的压力。无线业务量的激增,使得现有的移动网络难以满足用户对高带宽、低时延缓存服务的需求。在边缘侧提供超高速缓
带噪声的大规模数据分类问题是数据挖掘中的重要研究内容。支持向量机作为一种经典的数据挖掘技术,因其具有较强的泛化能力而被广泛的应用于各个领域中。有研究表明,基于非凸非光滑损失函数的支持向量机分类模型对带标签噪声的数据具有鲁棒性,能降低噪声对分类超平面的影响,提高数据的分类精度。然而,非光滑损失函数的使用导致对该模型的求解困难。针对上述问题,本文提出基于光滑非凸损失函数的鲁棒支持向量机模型,对带标签噪
物联网(IoT)的出现推动了新一代传感和控制应用技术的飞速发展,如智能城市、智能健康和智能家居等,预计到2020年物联网设备将超过204亿。规模如此庞大的网络给物联网设备的接