目录
- 1.背景
- 2.算法原理
- 2.1算法思想
- 2.2算法过程
- 3.结果展示
- 4.参考文献
1.背景
2012年，RV Rao等人受到班级内教师教学和学生学习启发，提出了教与学优化算法（Teaching-learning-based Optimization, TLBO）。
2.算法原理
2.1算法思想
TLBO来源于课堂上教师教学行为与学生的学习行为，主要分为教师教学阶段与学生学习阶段。
2.2算法过程
教学阶段
在教学阶段，教师向学生传授知识，以提高班级的整体水平。考虑到教学成果受到班级平均成绩影响，因此位置更新方式：
X
i
n
e
w
(
t
+
1
)
=
X
i
(
t
)
+
r
a
n
d
×
(
X
t
e
a
c
h
e
r
(
t
)
−
T
F
×
X
m
e
a
n
(
t
)
)
(1)
X_i^{\mathrm{new}}(t+1)=X_i(t)+\mathrm{rand}\times(X_{\mathrm{teacher}}(t)-T_F\times X_{\mathrm{mean}}(t))\tag{1}
Xinew(t+1)=Xi(t)+rand×(Xteacher(t)−TF×Xmean(t))(1)
其中，Xteacher(t) 代表种群内最佳个体，称为教师；TF 称为教学因子，随机确定为 1 或 2；Xmean(t) 是种群平均位置。
学习阶段
学生 Xr1(t) 随机选择 Xr2(t) 进行交流学习，比较学习成绩，选出学习优秀的学生引导另一位学习：
X
i
n
e
w
(
t
+
1
)
=
{
X
i
o
l
d
(
t
)
+
r
a
n
d
×
(
X
r
1
(
t
)
−
X
r
2
(
t
)
)
,
f
(
X
r
1
(
t
)
)
>
f
(
X
r
2
(
t
)
)
X
i
o
l
d
(
t
)
+
r
a
n
d
×
(
X
r
2
(
t
)
−
X
r
1
(
t
)
)
,
o
h
t
h
e
r
w
i
s
e
(2)
\left.X_{i}^{\mathrm{new}}(t+1)=\left\{\begin{array}{l}X_{i}^{\mathrm{old}}(t)+\mathrm{rand}\times(X_{r1}(t)-X_{r2}(t)),f(X_{r1}(t))>f(X_{r2}(t))\\X_{i}^{\mathrm{old}}(t)+\mathrm{rand}\times(X_{r2}(t)-X_{r1}(t)),ohtherwise\end{array}\right.\right.\tag{2}
Xinew(t+1)={Xiold(t)+rand×(Xr1(t)−Xr2(t)),f(Xr1(t))>f(Xr2(t))Xiold(t)+rand×(Xr2(t)−Xr1(t)),ohtherwise(2)
流程图
3.结果展示
4.参考文献
[1] Rao R V, Savsani V J, Vakharia D P. Teaching–learning-based optimization: an optimization method for continuous non-linear large scale problems[J]. Information sciences, 2012, 183(1): 1-15.
