DSTLBO算法：提升教与学优化的精度与稳定性

"这篇论文提出了一种改进的教与学优化算法（Teaching-Learning-Based Optimization, TLBO），称为基于讨论组和自主学习的教与学优化算法（DSTLBO）。TLBO算法是受到教育过程启发的优化方法，但其在寻优精度和稳定性上存在不足。DSTLBO通过引入小组讨论和自主学习机制，增强了算法的局部搜索和全局搜索能力，同时也提升了算法的变异功能，从而提高了整体性能。在对多个复杂基准函数的测试中，DSTLBO显示出了比基础TLBO和其经典改进版本ETLBO更优的寻优精度、稳定性和收敛速度。该研究由吴聪聪等学者完成，得到了河北省相关科研项目的资助。" 本文研究的焦点在于优化教学与学习优化算法(TLBO)的性能。TLBO算法是一种模拟教师传授知识、学生学习的自然过程的全局优化技术。然而，原始的TLBO算法在解决优化问题时，可能会遇到优化精度不理想和稳定性较差的问题。为了解决这些问题，研究者提出了DSTLBO算法，它在算法的"教"阶段引入了讨论组的概念，将所有个体随机分组，使得组内成员能向组内表现最佳的"组长"学习，增强了局部搜索能力。同时，组长会受到教师和组内其他成员的影响进行变异操作，这有助于增强算法的全局探索能力。在"教"和"学"阶段之后，每个个体进入自主学习阶段，进一步提升全局搜索效率。 通过对8个复杂基准测试函数的应用，DSTLBO算法在多个方面展现出了优于基础TLBO和ETLBO算法的特性。这些优势包括更高的寻优精度，即找到更优解的能力更强；更高的稳定性，即算法在多次运行中的结果波动更小，能更稳定地找到接近全局最优解的解；以及更快的收敛速度，意味着算法在较少的迭代次数下就能达到较好的优化效果。 这项工作对于理解如何通过模仿人类学习过程来改进优化算法具有重要意义，对于未来优化算法的设计和应用提供了新的思路。此外，DSTLBO算法的优越性能可能使其在解决实际工程问题和复杂系统优化中发挥重要作用，如在机器学习、信息检索、计算复杂性理论等领域。