陈永政

(重庆工程学院软件学院, 重庆 401320)

近年来，城市规模的不断扩大和居民生活用水的增加导致城市供水量持续增长。准确的城市需水量预测是城市供水优化调度、供水管网安全稳定运行的重要环节[1-2]。常规的回归分析需水预测法要求建立预测量与影响因素之间准确的机理模型，大量的线性化处理易降低模型精度。极限学习机(extreme learning machine,ELM)是改进的前馈神经网络，因其易获得更优的预测效果而得到广泛应用[3-4]。大量研究表明，采用随机方式初始化输入层权值和隐层偏置参数易使部分隐层节点无效而降低模型性能。文献[5-6]指出采用群智能优化技术解决ELM模型参数选择是一种有效措施。

教与学优化(teaching learning based optimization, TLBO)算法是一种模仿知识传播自然现象的优秀群智能优化算法[7]。因其具有结构简单、实现方便、收敛速度快等优点，近年来受到越来越多的关注，并已成功应用于工程优化问题的求解[8-9]。与大部分群智能优化算法一样，TLBO算法仍存在收敛精度低、易早熟收敛陷入局部最优等缺陷。针对上述问题，文献[10]在TLBO算法中采用了线性递减的惯性权值和自适应精英交叉算子并取得了较好效果。文献[11]采用TLBO-DE方法增强TLBO算法的性能，将其用于Elman神经网络的优化，并在质子交换膜燃料电池模型参数辨识中成功应用。文献[12]提出了协同进化TLBO算法，并在求解约束优化问题上取得良好效果。

为进一步提升TLBO算法的全局优化性能，提出一种高效的TLBO算法(effcient TLBO,ETLBO)。在ETLBO中，通过双种群混洗策略将种群分成两组，其中一组按照标准TLBO算法进行学生成绩的提升，另外一组通过老师单独对最差学生进行教学过程，两组完成预先定义的迭代次数后进行全局融合信息交换，快速实现全局最优。……