智能优化方法的优缺点

  缺点:容易过早收敛,容易陷入局部最优解,(如果初始点选的不好,可能就会被某个粒子带偏了= =/)

  后来又提出许多混合粒子群算法,比如遗传粒子群(BPSO)、免疫粒子群(IPSO)、混沌粒子群等(CPSO),针对不同的领域,需选用适合的优化算法。

  教学优化算法(Teaching-learning-based optimization, TLBO)是一种基于种群的启发式随机群智能算法。与其他的进化算法类似,该方法也存在迭代过程。该过程分为两步,每个阶段执行各自的优化。相比于其他的算法,教学优化算法的主要优势在于概念简单、超参数量少、收敛快速。本文对教学优化算法进行简单介绍,并对教学优化算法在各方面的一些改进扩展进行描述。

  近年来,随着各种领域的优化问题不断增多,更多的优化方法被提出以适用于各类问题。在早期,大多数优化算法主要关注数学技术。而这些方法的主要问题在于容易陷入局部最优解而无法找到最优解。而最近,各种启发式算法成为了热点[1],这其中包括如遗传算法、演化规划、演化策略、遗传规划等所属的进化算法,蚁群算法、粒子群算法等所属的群智能算法,以及引力搜索算法、人工水滴算法等所属的非生物学元启发式算法。

  然而这些方法中,除了种群大小和迭代次数,往往还存在一些其他需要设定的超参数。合理设置和适当调整这些特定于算法的超参数,对于这些算法的搜索能力至关重要。因此,希望能开发没有算法特定超参数的优化算法。

  Rao等人提出了基于教学学习的优化算法[2-3],它的灵感来自于课堂教学过程,模仿教师对学生的影响。与其他群体智能算法类似,教学优化算法基于种群的启发式随机优化算法,但它的优点在于不需要任何特定于算法的超参数。

  在教学优化算法中,学生被当作是分布在决策变量空间中的搜索点,其中,最优的学生被定义为该班级的教师。与传统的进化算法和群智能算法不同的是教学优化算法的迭代进化过程包括教学阶段和学习阶段,如图1所示。在教学阶段,为了提高班级的平均水平,学生会通过向教师学习来提高自身水平;之后在学习阶段,会通过与随机选择的另一位学生进行互动学习来提高自身水平。

  在教学阶段,模拟学生通过学习教师与班级平均水平的差异来提高自身水平。对于班级中的第i个学习者XiX_iXi,更新机制表示如下:

  在学习阶段,模拟学生之间相互讨论、展示和交流的方式进行学习,以提高自身水平。对于学习者XiX_iXi,更新公式为:

  当满足终止条件(通常为最大轮次)时,直接退出,输出结果;否则继续向下执行。

  ;再根据公式(2)计算学生的新适应度函数值;如果新适应度函数值低于原适应度函数值,则更新学生的值。

  对于每一个学生,随机选取另一个与之不同的学生,用公式(3)计算学生的新适应度;如果新适应度函数值低于原适应度函数值,则更新学生的值。

  注意,上述过程中没有考虑到有约束的情况。对于有约束问题,可以采用多种类型的约束处理技术,例如静态罚函数、动态罚函数、自适应罚函数等,也有一些文献[4-5]对教学优化问题进行改进,使其适用于各种有约束问题。

  教学优化算法属于全局优化算法,与遗传算法和粒子群算法类似,在整个解空间进行搜索,可以达到全局最优值。而且相比于粒子群算法,教学优化算法简化了每一轮内的信息共享机制,所有进化的个体可以更快收敛到全局最优解。

  学习阶段具有并行性,各个学生之间的学习是一种随机的并行关系,加快了全局搜索的速度。

  算法简易,超参数少,相比于遗传算法和粒子群算法,教学优化算法所需要的超参数只有种群数量,不涉及到优化过程本身。从而简化了优化的初始设置过程。

  记忆能力较差。最初的解集在搜索过程中将会改变,不能很好地保持种群多样性。

  教学优化算法的理论基础薄弱。对于其中存在的如多样性过早丢失之类的缺点,缺乏理论的验证。

  缺少收敛分析方法,同属于全局优化算法的遗传算法和粒子群算法都有比较成熟的方法判定收敛,而教学优化算法很难准确估计收敛速度[6]。

  在教学阶段具有固有的原点偏差,也即该算法有向原点附近搜索的倾向性。当解决一些远离原点的优化问题时,该算法通常会失去优势。有些文献基于这一点对教学优化算法进行改进[8]。

  在最初的教学优化算法中,只有一个教师进行教学,当学生的适应度函数值普遍较高时,教学阶段所带来的效果不够明显;而当学生的适应度函数值普遍较低时,收敛速度又会降低。所以改进的教学优化算法提高了教师的教学能力,通过改进,根据学生的适应度函数值高低将班级划分为多个小班级,每个小班级选取一名教师进行该小班级的教学。进一步,这种多个小班级,可以采用K均值聚类的方式实现。

  如果采用小班级教学时,在学习阶段,由于每个小班级中的成员与其他成员相似度可能会比较高,所以可以考虑采用和其他班级成员进行交互学习,提升学习阶段的效果。这种方法还能在一定程度上避免算法陷入局部极小值,保存了样本多样性。

  本文对教学优化算法进行介绍,并通过三种函数样例测试该算法的优化效果。教学优化算法由于其自身简单、易收敛的优势,在应用领域经常会被用到。不过该算法在一些场景下仍然存在不足,研究人员基于这些问题也开发出许多不同的变体,以提高其优化性能,并已成功应用于各种优化领域。除此之外,对教学优化算法的收敛特性和动力学进行理论分析仍然是十分有必要的。

  [6] 黄祥东. 教与学优化算法的研究与应用[D].中国矿业大学,2016.

  首先简单介绍了冷热电联供(CCHP)系统常见的运行模式,并据此提出了CCHP系统和微电网结合的必要性;...最后从集中式和分布式2个方面介绍了CCHP微网

  算法进行数据处理...实验计算结果表明所提方法比极限学习机(ELM)、粒子群

  (quantum-behaved particle swarm optimization, QPSO)算法进行改进, 提出了一种实变参数量子粒子群

  批量梯度下降算法是1847年由著名数学家Cauchy给出的,它是解析法中最古老的一种,其他解析方法或是它的变形,或是受它的启发而得到的,因此它是最

  批量梯度下降算法是1847年由著名数学家Cauchy给出的,它是解析法中最古老的一种,其他解析方法或是它的变形,或是受它的启发而得到的,因此它是最优化方法的基础。作为一种基本的算法,他在最优化方法中占有重要地位。

  对近年来旋转机械系统中有关齿轮的故障机理研究、特征提取、监测诊断等方面的国内外研究现状进行了梳理和回顾,并总结了各类信号处理

  ,从而确定了本文的研究内容。(2)针对故障齿轮的振动特性,提出一种多...

  潜力。根据公司的规模和地点的数量,经验表明,通常需要6到12个月才能上线,并且在此阶段,优秀的ERP经理将与您紧密合作,以充分利用新的ERP系统。好...

  虽然只有一个项目团队参与了选择阶段,但ERP实施影响了整个公司。引入ERP软件不仅是一项技术挑战:必须参与所有团队和各个层次的层级,才能在相关业务流程中智能地完全建立ERP软件。

  分析了先前公司组织的优缺点,保留了良好的事物,并提出了优化潜力。根据公司的规模和地点的数量,经验表明,通常需要6到12个月才能上线,并且在此阶段,优秀的ERP经理将与您紧密合作,以充分利用新的ERP系统。好消息:因此,您不仅拥有一个新的IT基础架构,而且还对所有流程进行了尽可能地自动检查,优化和数字化。数据质量和数据安全性的漏洞已得到解决,您的流程已进行了合规性和性能检查。

  作为ERP实施方法的一部分,您可以将工作流程提高到一个全新的水平,并为为数字化转型做准备奠定良好的基础。您的ERP经理可以为您提供建议和帮助,并伴随所有步骤进行专业的项目管理。

  但是,ERP实施在理想情况下如何运作?典型的错误是什么?您如何为这个挑战性阶段做准备,这将需要您和您的团队在有限的时间内增加他们的承诺和敏捷性?

  现在是业务流程的“现状分析”以及协作ERP项目的目标定义。所采用的规范作为模板。现在,您的ERP经理可以详细了解您的工作流程,并以通用语言与您的团队一起工作。

  在“按原样进行分析”之后,将流程“转换”为所选ERP系统的标准,并在必要时有意义地优化工作流程和/或数据质量。

  与第3步中定义的工作包并行,供应商从在服务器上安装测试环境以及各个小节的实现开始。准备好要迁移的数据,自定义表单和界面,对软件扩展进行编程以及设置用户和角色。

  一旦准备好启动新的ERP系统中的第一个区域,软件供应商就会对项目团队进行培训,之后,项目团队会为公司的最终用户组织部门特定的培训。

  在上线之前进行了广泛的测试。将真实的公司数据导入测试环境,并模拟所有相关的业务流程和功能。

  即使经过如此广泛的测试,经验表明,在满负荷运行后,仍有改进的空间。只有在完成最终验收之后,供应商才能纠正功能差距或故障。

  、求解算法3个方面对配电网规划研究进行综述。...对用于配电网规划目标函数求解的数学优化算法和人工

  ,还比较了九种GUI的特性,包括一个比较优势和劣势的汇总表。本章还讨论了从其他软件和web接口使用R的方式。最后,介绍了一些在亚马逊云上运行R的实用教程。, 第4章:数据处理:在R...

  移动机器人的路径规划问题是机器人研究领域的重要分支,一直以来国内外有很多学者关注该...本文首先对移动机器人路径规划的国内外研究现状及各种路径规划

  是使用基于加速度计、磁力计和陀螺仪等传感器信号的融合数据库,并通过补偿每种...

内容转自网络,版权归原作者所有,如有侵权请及时联系,转载请以链接形式标明本文地址
本文地址:http://techknzz.com/?ai/4191.html