《表6 Bonferroni-Dunn、Holm和Hochberg在OBL-μTLBO和非微种群算法上所得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

在本实验中，OBL-μTLBO算法与4种非微种群算法的性能进行比较。期望求解精度同3.1节。标准TLBO算法的种群规模设定为30；TLBO-CSWL算法的种群规模设定为40；FSADE算法和Rcr-JADE-s4的种群规模分别设定为50和100，算法参数设置均与文献[6]一致，结果见表4。从表4可以看出，OBL-μTLBO算法在f1、f2、f3、f4、f6、f7、f9、f10、f11上的平均评价次数均明显少于所有比较算法，这说明所提方法具有较快的收敛速度。而在函数f5、f8、f13上，Rcr-JADE-s4算法的实验结果要优于本文的OBL-μTLBO算法。这说明Rcr-JADE-s4算法在这3个函数上具有较快的收敛速度。统计分析结果见表5和表6。由表5可知，笔者所提算法与非微种群算法相比，OBL-μTLBO同样具有较高的搜索效率。从表6可以看出，OBL-μTLBO算法的搜索效率要明显优于其他所有比较的非微种群算法。