协同教学优化算法及其应用研究

Teaching-learning-based optimization algorithm (TLBO) is a class of swarm intelligence optimization algorithm. It has simple structure, less control parameters, better optimization ability than other swarm intelligence optimization algorithms in some ways. Hence it has been used in combinatorial optimization, and data analysis. However, for complex multimodal optimization problems and shifted optimization problems, population diversity is easy to lose in the iterative process, late the convergence speed slow and the final accuracy is not high. In this project, firstly, the impact of neighborhood topology structure on the population evolution is analyzed and teaching-learning-based optimization algorithm based on neighborhood topology structure is built. Secondly, on this basis, the impact of the cooperation of sub populations on the population evolution is analyzed and the suitable multi-population co-evolution mechanism is built, and thus to maintain the population diversity, balance the exploration and exploitation properties of the proposed algorithm, speed up the search efficiency, enhance computational performance on complex optimization problems. Then, the complexities and convergences of these models and algorithms are analyzed. Finally, these models and algorithms are used for different application fields such as combinatorial optimization and wireless sensor networks. The research achievements of this project will be obtained in TLBO research field, and thus to provide theory and method support for subsequent research and practical application in the TLBO algorithm, and demonstrate theoretical as well as practical values.

教学优化算法是一种群智能优化算法，其结构简单、控制参数少，寻优能力在某些方面优于其他群智能优化算法，已在组合优化、数据分析等方面发挥了一定作用。然而，在处理复杂多模优化和转移优化问题时，迭代过程中种群多样性易于丢失，迭代进化后期收敛速度慢，优化精度不高。本项目首先对现有的教学式优化方法的优缺点进行理论分析和仿真，从群体的构成出发，分析种群个体间邻域拓扑结构对种群进化的影响，构建基于拓扑结构的教学优化模型；在此基础上，分析子群体间的协同对种群进化的影响,设计合适的多子群协同进化算法，开展维持种群的多样性，平衡算法的探测性与开发性，加快算法的搜索效率方面等方面的研究，提升其解决复杂优化问题能力；针对设计的模型和算法，分析各方法的复杂度和收敛性，并将其应用于组合优化、无线传感网络等不同领域。本项目的研究成果，将为教学优化算法性能提升及工程领域应用拓展提供理论与方法支撑，具有重要的理论和实践意义。

在工程、社会与物理科学的众多相关领域中，存在着许多复杂的、用传统的优化方法与技术难以有效解决、甚至无法解决的优化问题。如何有效地利用有限的计算资源来解决不断出现的、日益繁杂的实际应用问题已成为研究人员关注的核心问题之一，这促使人们在不断提高硬件性能的同时，也积极地探索、设计或改进不同的优化算法。教学优化算法正是在这一背景下新近提出的一种新的群智能优化算法。当前的研究表明，教学优化算法的寻优能力在某些方面优于以往的群智能优化算法，主要体现在对函数优化仿真测试的收敛速度与收敛精度上。但是，原始TLBO算法也存在着一定的缺陷，主要表现在：学习者群体的多样性丢失很快，使得算法针对复杂的优化问题时力不从心；学习者群体中学习者个体间缺乏有效的竞争与协同机制，个体间也没有很好的信息共享机制；针对教学优化算法复杂性与收敛性等的理论分析和不同应用问题的解决方案还没有相对系统的和全面的工作。为此，本项目从系统的角度分析教学优化算法计算模型的设计、群体多样性的保持以及个体（或子群）行为的协同性以及信息的共享性等方面的一些关键问题，分别提出了基于动态多子群协同、邻域拓扑搜索、高斯采样学习、混合优化等方法与技术的教学优化模型和算法，并从理论上分析所提出的算法模型的复杂性与收敛性，有力地推动教学优化算法的理论研究；此外，针对教学优化算法在IIR数字滤波器设计、混沌时间序列预测、复杂网络社区检测等方面的应用展开了系统、深入的研究，拓展了其应用领域，为相关问题的研究提供了新的方法支撑，具有十分重要的理论意义与现实意义。