教学优化算法的改进及应用

$'?,T\(%( 本文从 ,T\(算法的基本迭代公式出发&对算法的收
敛过程进 行 分 析&论 证 了 ,T\( 算 法 在 收 敛 后 期 存 在 的 0原点偏好1缺陷&并提出改进方案(针对 ,T\( 算法存在 的 0早熟1收敛现象&采用分科学习和学习阈值的方法来 提高迭代前中期学员的多样性(由此提出一种改进教学优 化算法$G5IDZDLI,T\(& ),T\(%& 并 通 过 A 个 测 试 函 数 来验证改进算法的有效性(最后&应用 ),T\( 算法优化 \*神经网络参数&建立基于 ),T\( 算法的 \*神经网络 预测模型 $),T\(?\*%&对 比 分 析 结 果 表 明&本 文 提 出 的 改进预测模型具有更好的预测效果(
1GQN56LGLFRHFIHQQ9DKHRD5F5ZRLHKWDFOHFI9LHNFDFOPHELI5QRDGDiHRD5F
*1/0TDHFO?KWMHF&4+/fD?hDHFO
$gLJTHP5NHR5NJ5Z2I6HFKLI'5FRN59HFI(QRDGDiHRD5FZ5N'WLGDKH9*N5KLEELE5Z)DFDERNJ5Z-IMKHRD5F& -HER'WDFH+FD6LNEDRJ5Z4KDLFKLHFI,LKWF595OJ&4WHFOWHD!""!%@&'WDFH%
摘!要%针对教学优化算法 ",T\($在解决复杂实际问题时易陷入局部最优的缺陷!提出一种改进教学优化算法 "),T? \($&在教师阶段引进自适应基准消除 ,原点偏好-!在学生阶段引进分科学习和学习阈值的学习策略保证学员多样性&测 试结果表明!该改进提高了教学优化算法的全局搜索能力和求解精度&将改进教学优化算法应用于 \*神经网络的权值和 阈值优化中!建立基于改进教学优化算法的 \*神经网络预测模型 "),T\(?\*$&选用A个真实数据集进行对比实验!实 验结果表明!该模型具有更高的预测精度& 关键词%改进教学优化算法#原点偏好#全局最优#\*神经网络#预测模型 中图法分类号,*#$! 文献标识号%2 ! 文章编号%#"""?@"!A "!"#$$##?%B%#?"@ %&'#":#<!"$!C:DEEF#"""?@"!A:!"#$:##:"A#
收稿日期"!"#@?"&?#B#修订日期"!"#$?"A?#@ 基金项目"中央高校基本科研业务费重点科研基地创新基金项目 $!!!!"#@#@""<% 作者简介"平良川 $#&&% %&男&江苏南通人&硕士研究生&研究方向为智能优化算法'计算机网络#孙自强 $#&<% %&男&上海人& 博士&教授&研究方向为过程建模与优化控制(-?GHD9"QDFO9DHFOKWMHF!#<%7K5G
!/%B%!/
计算机工程与设计
!"#$年
3!教学优化算法
343!基本教学优化算法 在 ,T\(算法中&每个学员相当于优化问题的一个解&
Baidu Nhomakorabea
2!引!言
教 学 优 化 算 法 $RLHKWDFOHFI9LHNFDFOPHELI5QRDGDiH? RD5F&,T\(%存 在 易 陷 入 局 部 最 优' 后 期 搜 索 停 滞 等 不足 ( )#?B* 为 此& 许 多 学 者 对 其 进 行 了 研 究 与 改 进( 2F5MHN等)<*将混沌理 论 引 入 到 ,T\( 算 法 中&利 用 混 沌 优化来加强算法跳出局 部 最 优 的 能 力#于 坤 杰 等)@*提 出 一种基于反馈的精 英 教 学 优 化 算 法 $>-,T\(%&算 法 在 0学1阶段后 加 入 反 馈 阶 段& 增 加 了 学 员 的 学 习 方 式# 高立群等)$*将差分进化算法 的 交 叉 操 作 引 入 到 ,T\( 算 法 的 0学 1阶 段 &提 出 了 带 交 叉 操 作 的 教 学 优 化 算 法
!"#$年##月 第%&卷!第##期
计算机工程与设计
'()*+,-.-/01/--.1/0 2/33-410/
/567!"#$ 859:%&!/5:##
"""""""""""""""""""""""""""""""""""""""""""""""
教学优化算法的改进及应用
平良川!孙自强
"华东理工大学 化工过程先进控制和优化技术教育部重点实验室!上海 !""!%@$
()$*+,-*"2DGDFOHRRWLEW5NRK5GDFOE5ZRLHKWDFOHFI9LHNFDFOPHELI5QRDGDiHRD5F$,T\(%DFE596DFOK5GQ9L=QNHKRDKH9HQQ9DKH? RD5FE&HFDGQN56LIRLHKWDFOHFI9LHNFDFOPHELI5QRDGDiHRD5F$),T\(%[HEQN5Q5ELI:1FRWLRLHKWDFOQWHEL&HFHIHQRD6LIHRMG [HEDFRN5IMKLIR5L9DGDFHRL5NDODFQNLZLNLFKL: 3D6DILIEMPCLKREHFI9LHNFDFORWNLEW59IE[LNLLGQ95JLIDFRWL9LHNFDFOQWHELR5 LFEMNLRWLID6LNEDRJ5ZERMILFRE: ,LERNLEM9REEW5[RWHR),T\(KHFHKWDL6LWDOWLNE59MRD5FHKKMNHKJHFIDRWHEG5NLQ5[LNZM9 O95PH9ELHNKWKHQHPD9DRJ: ),T\([HEHI5QRLIR55QRDGDiLRWL[LDOWREHFIRWNLEW59IE5Z\*FLMNH9FLR[5N]HFIRWLQNLIDKRD5F G5IL9PHELI5F),T\( $),T\(?\*%[HELERHP9DEWLI:.LEM9RE5ZK5GQHNDE5FRLEREDFZ5MNNLH9IHRHELREEW5[RWHR),T\(?\* KHFHKWDL6LWDOWLNQNLIDKRD5FHKKMNHKJ: ./01&+%$"),T\(#5NDODFQNLZLNLFKL#O95PH95QRDGMG#\*FLMNH9FLR[5N]#QNLIDKRD5FG5IL9