群智能优化算法改进-学习策略总结与分析
群智能优化算法改进-学习策略总结与分析
一、随机反向学习（Random opposition-based Learning, ROBL）
反 向 学 习 策 略 （ Opposition-based Learning, OBL） 是 Tizhoosh H R 等人提出的一种群智能优化算法改进策略，其思想是：在种群寻优的过程中，根据当前解产生一个反向解，比较当前解与反向解的目标函数值，择优进入下一次迭代。 由于反向学习策略生成的反向解与当前解距离为一定值，缺乏随机性，无法有效增强搜索空间内种群多样性。因此，Long W 等人提出了改进的随机反向学习策略（Random Opposition-based Learning, ROBL），计算公式如下：
X
r
a
n
d
=
L
B
+
U
B
−
r
∗
X
.
Xrand= LB+UB-r*X.
Xrand=LB+UB−r∗X.
r为0到1之间的随机数。
二、准反向学习（Quasi-opposition-based learning）
Rahnamayan提出了OBL的一种变体，称为准反向学习（QOBL），定义为：
x
i
o
=
l
b
i
+
u
b
i
−
x
i
.
x_i^o = l{b_i} + u{b_i} - {x_i}.
xio=lbi+ubi−xi.
x
i
q
o
=
r
a
n
d
(
l
b
i
+
u
b
i
2
,
x
i
o
)
.
{\rm{x}}_i^{qo} = rand(\frac{{l{b_i} + u{b_i}}}{2},x_i^o).
xiqo=rand(2lbi+ubi,xio).
即得到的新位置位于中间值与反向位置之间。
三、准反射学习（Quasi-reflection-based learning）
基于OBL和QOBL，Qian Fan提出了准反射学习（QRBL），定义为：
x
i
q
r
=
r
a
n
d
(
l
b
i
+
u
b
i
2
,
x
i
)
.
{\rm{x}}_i^{qr} = rand(\frac{{l{b_i} + u{b_i}}}{2},{x_i}).
xiqr=rand(2lbi+ubi,xi).
即得到的新位置位于中间值与当前位置之间。
四、动态反向学习
还有动态反向学习（DOL）：
可参考：Dynamic opposite learning enhanced teaching–learning-based optimization
五、总结
学习策略非常灵活，可以用于初始化阶段，也可用于种群迭代阶段。其形式也多种多样，变体很多，与其它策略有很好的相容性，是多策略改进算法中非常常见的一种。