《表3 Bonferroni-Dunn、Holm和Hochberg在OBL-μTLBO和微种群算法上所得p值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于反向学习的微种群教与学优化算法及其应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在该实验中，本文算法OBL-μTLBO与其他5种微种群算法进行比较，并通过设定的求解精度来比较哪种算法所使用的适应度函数评价次数最小。对于所有比较算法，实验参数设置均与文献[19]一致。即种群规模设定为8，对于f7，函数的结果精度设定为1.0E-02，其余测试函数的寻优精度设定为1.0E-08，最大适应度函数评价次数为3 000 000。若算法在达到终止条件时仍然没有求解到设定的求解精度，则认为算法在该函数上寻优失败，用“—”表示。仿真结果如表1所示。由表1可知，OBL-μTLBO算法在计算f1、f2、f3、f4、f5、f6、f7、f8、f9、f10、f11、f12上使用的函数评价次数最少，寻优效率明显优于其他所比较算法。这说明OBL-μTLBO算法不仅可以加速收敛，还可以提高寻优性能。对于函数f8和f13，μJADE算法的仿真结果略优于OBL-μTLBO算法。其主要原因可能是:虽然反向学习能够有效地帮助TLBO提高全局搜索能力，但是差分进化算法的全局搜索能力要好于TLBO算法。除以上比较外，还使用非参数的统计分析方法来对实验结果进行进一步分析，所得统计分析结果见表2和表3。从表2中可知，OBL-μTLBO算法在所有算法中的寻优效率是最高的。从表3可以看出，OBL-μTLBO算法的寻优效率要显著优于DESP、MDEVM、MDEVM-Fajfar算法，OBL-μTLBO算法的整体性能要比μJADE好。综上所得，OBL-μTLBO算法的收敛速度在所有比较算法中是最快的，且可得到高质量的解。