26、基于二次逼近的混合TLBO算法：原理、实现与性能评估

基于二次逼近的混合TLBO算法：原理、实现与性能评估

1. 相关算法简介

在优化领域，有多种算法被广泛应用。一些研究将不同算法结合，以提升优化效果。例如，Mahdad和Srairi提出基于TLBO和模式搜索（PS）算法的灵活规划策略，用于改善安全最优潮流（SOPF），通过最小化总燃料成本、总功率损耗和总电压偏差来考虑关键负载增长。Jiang和Zhou则将DE和TLBO结合，提出hDE - TLBO方法，用于优化短期最优水火电调度模型的总燃料成本和排放效果。

2. 基本TLBO算法

TLBO（Teaching - Learning Based Optimization）算法由Rao等人提出，其灵感源自课堂学习过程。该算法与PSO、GSA、DE等基于种群的算法类似，执行过程分为“教师阶段”和“学习者阶段”。

• 教师阶段 ：教师在课堂上传播知识，试图提高全班学生的平均知识水平。第 g 代第 i 个学生的平均参数表示为$Mg_i = (Mg_{i1}, Mg_{i2}, Mg_{i3}, \ldots, Mg_{id})$。具有最小适应度值（针对最小化问题）的学习者代表该迭代的教师$X_g^i$。第 i 个学习者在教师阶段的更新公式为：
  $X_{newg}^i = X_g^i + rand * (X_g^i - TF * Mg_i)$
  其中，教学因子$TF$的计算公式为：
  $TF = round[1 + rand(0, 1) * (2 - 1)]$