Guided learning strateg(GLS）导向学习策略

引言

今天看了一篇关于智能算法的个体更新策略

Guided learning strategy: A novel update mechanism for metaheuristic

algorithms design and improvement

内容

元启发式算法(Meta-heuristic algorithms, MH)中有两个关键的阶段，探索与开发。探索是指大范围的离散搜索，用于避免陷入局部最优;开发是指小范围的集中搜索，用于提高算法精度。如何平衡探索和利用是提高算法性能和问题适应性的关键。文中提出一种全新的策略——导向性学习策略(GLS)来解决上述问题。GLS通过计算个体最近几代历史位置的标准差来获得种群的分散程度，并推断出算法当前需要什么样的指导。当算法偏向于探索时，它会引导算法进行挖掘。否则将引导算法进行探索。正是因为这种策略能够识别算法当前的需求并提供帮助，才能够提高大多数算法的性能。作者给出的了基于海洋掠食者算法(MPA)进行了改进的源代码。

代码

文章中的GLS (GLS_MPA)的源代码可以通过

https://github.com/luchenghao2022/Guide d-Learning-Strategy

公式

Vo = std(St) ∗ B 
B = 200/(ub - lb)

St为学习经验，std为标准差，ub，lb分别为变量的上下界

Xbest为历史最优位置，R=rand

论文的分析中介绍时，当个体相对分散时，使用第一个公式来更新，有利于开发

相对的，当个体相对聚集时，使用第二个公式来更新有利于探索。

但是在源代码中，在tan函数那里减了个0.5，想不通。

总结

该策略的在MPA改进的源代码中参数过于复杂，包括文章中的其余两种算法改进的参数，都是通过实验得到的参数，就是说，对不同的算法有不同的针对性。从测试函数运行来看，该策略适用于在算法的最后阶段，比如SBOA算法的第三阶段，适用于摆脱局部最优（猜测）。但注意到该策略的收敛速度有待加强。

若有侵权，请留言联系删除。