群智能优化算法改进-学习策略总结与分析_准反向学习策略

一、随机反向学习（Random opposition-based Learning, ROBL）

反 向 学 习 策 略 （ Opposition-based Learning, OBL） 是 Tizhoosh H R 等人提出的一种群智能优化算法改进策略，其思想是：在种群寻优的过程中，根据当前解产生一个反向解，比较当前解与反向解的目标函数值，择优进入下一次迭代。 由于反向学习策略生成的反向解与当前解距离为一定值，缺乏随机性，无法有效增强搜索空间内种群多样性。因此，Long W 等人提出了改进的随机反向学习策略（Random Opposition-based Learning, ROBL），计算公式如下：
$$Xrand=LB+UB-r\ast X.$$
r为0到1之间的随机数。

二、准反向学习（Quasi-opposition-based learning）

Rahnamayan提出了OBL的一种变体，称为准反向学习（QOBL），定义为：
$$x_i^o=l{b}_i+u{b}_i-x_i.$$
$${\mathrm{x}}_i^{qo}=rand(\frac{l{b}_i+u{b}_i}{2},x_i^o).$$
即得到的新位置位于中间值与反向位置之间。

三、准反射学习（Quasi-reflection-based learning）

基于OBL和QOBL，Qian Fan提出了准反射学习（QRBL），定义为：
$${\mathrm{x}}_i^{qr}=rand(\frac{l{b}_i+u{b}_i}{2},x_i).$$
即得到的新位置位于中间值与当前位置之间。

四、动态反向学习

还有动态反向学习（DOL）：

可参考：Dynamic opposite learning enhanced teaching–learning-based optimization

五、总结

学习策略非常灵活，可以用于初始化阶段，也可用于种群迭代阶段。其形式也多种多样，变体很多，与其它策略有很好的相容性，是多策略改进算法中非常常见的一种。