增强型群论优化算法求解折扣{0-1}背包问题

群论优化算法(GTOA)是基于群论方法提出的一个离散演化算法,非常适于求解以整型向量为可行解的组合优化问题。为了进一步提高GTOA求解折扣{0-1}背包问题(D{0-1}KP)的性能,首先指出了它的随机线性组合算子(RLCO)未能充分考虑当前个体位置信息的不足,基于个体基因保留策略对其进行改进。然后,在随机反向变异算子(IRMO)中引入增强0分量变异策略,用于处理因个体0分量无法及时变异而导致的解的质量下降、种群多样性降低等问题。在改进上述两个算子的基础上,提出了增强型GTOA(EGTOA),并基于它给出求解D{0-1}KP的新方法。随后,将改进策略应用于二进制GTOA(GTOA-2),提出了增强型GTOA-2(EGTOA-2)及其求解D{0-1}KP的新方法。为了验证EGTOA和EGTOA-2的性能提高程度与优异性,分别利用它们求解四类大规模D{0-1}KP实例,通过与GTOA、GTOA-2以及求解D{0-1}KP的已有8个最先进算法的比较表明:EGTOA和EGTOA-2求得最优解的能力比GTOA和GTOA-2提高了至少1.14倍,比8个最先进算法提高了5%~60%,它们的平均性能比GTOA、GTOA-2以及8个最先进算法的性能更佳。因此,EGTOA和EGTOA-2是当前求解D{0-1}KP的最佳算法。

基于遗传算法求解折扣{0-1}背包问题的研究

目前,求解折扣{0-1}背包问题(D{0-1}KP)的主要算法是基于动态规划的具有伪多项式时间的确定性算法,当D{0-1}KP实例中各项的价值系数与重量系数在大范围内取值时缺乏实用性.文中基于杰出者保留策略遗传算法(EGA)求解D{0-1}KP,首先建立了D{0-1}KP的两个新的数学模型;然后,为了利用EGA和第一数学模型求解D{0-1}KP,提出了一种处理非正常编码个体的贪心修复与优化算法GROA,并将其与EGA相结合给出了求解D{0-1}KP的第一遗传算法FirEGA;紧接着,利用EGA和第二数学模型求解D{0-1}KP,提出了处理非正常编码个体的另一种有效算法NROA,并将其与EGA相结合给出了求解D{0-1}KP的第二遗传算法SecEGA;最后,利用四类大规模D{0-1}KP实例,确定了FirEGA和SecEGA的交叉概率与变异概率的合理取值,比较了两个算法的实际求解性能.对四类实例的计算结果表明:FirEGA和SecEGA都非常适于求解大规模的难D{0-1}KP实例,均能够得到一个近似比非常接近于1的近似解,并且FirEGA的平均求解性能比SecEGA的更优.

差分演化的收敛性分析与算法改进

为了分析差分演化(differential evolution,简称DE)的收敛性并改善其算法性能,首先将差分算子(differential operator,简称DO)定义为解空间到解空间的笛卡尔积的一种随机映射,利用随机泛函理论中的随机压缩映射原理证明了DE的渐近收敛性;然后,在"拟物拟人算法"的启发下,通过对DE各进化模式的共性特征与性能差异的分析,提出了一种具有多进化模式协作的差分演化算法(differential evolution with multi-strategy cooperating evolution,简称MEDE),分析了它所具有的隐含特性,并在多模式差分算子(multi-strategy differential operator,简称MDO)定义的基础上证明了它的渐进收敛性.对5个经典测试函数的仿真计算结果表明,与原始的DE,DEfirDE和DEfirSPX等算法相比,MEDE算法在求解质量、适应性和鲁棒性方面均具有较明显的优势,非常适于求解复杂高维函数的数值最优化问题.

求解背包问题的贪心遗传算法及其应用

分析了文献[2]中求解背包问题(KP)的混合遗传算法(HGA)所采用的贪心变换方法缺陷;重新定义了贪心变换的概念,并给出了一种新的且更高效的贪心变换方法,将此方法与遗传算法相结合得到一种新的混合遗传算法,称之贪心遗传算法(简记GGA)。利用GGA得出了文献[2,4]中一个著名KP问题实例的目前最好结果;同时,对于文献[7]中的KP问题实例和一个随机生成的KP问题实例,将GGA算法与求解KP问题的最有效算法HGA算法进行对比计算,结果表明GGA算法远远优于HGA算法。

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的.HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.

基于动态规划法求解动态0-1背包问题

随机时变背包问题(RTVKP)是一种动态组合优化问题,也是一种典型的NP-hard问题。由于RTVKP问题中物品的价值、重量和背包载重均是动态变化的,导致问题的求解非常困难。在动态规划法基础上,提出了一种求解背包载重随机变化的RTVKP问题的确定性算法,分析了其复杂度和成功求解需要满足的条件。对两个大规模实例的计算表明,该算法是求解RTVKP问题的一种高效算法。

利用遗传算法求解静态与动态背包问题的研究

为了有效处理遗传算法在求解静态与动态背包问题时产生非正常编码个体的问题,在分析已有处理方法不足的基础上,基于贪心策略提出了一种贪心修正算子与贪心优化算子相结合的新方法,并将该方法与遗传算法相融合给出了求解静态与动态背包问题的有效算法。仿真计算结果表明,在求解静态与动态背包问题时,利用所提出的新方法不仅可以解决非正常编码个体的问题,而且还能够显著提高个体所对应的可行解的质量,极大地改善了遗传算法的求解效果。

一种改进的混合蛙跳算法及其收敛性分析

为了提高混合蛙跳算法(SFLA)求解函数优化问题的能力,借鉴PSO与DE的进化算子提出了一种改进的混合蛙跳算法(ESFLA),分析了ESFLA的时间复杂性,并基于有限Markov链证明了ESFLA的全局收敛性。对ESFLA、SFLA与ISFLA2的仿真计算结果表明,ESFLA比SFLA和ISFLA2更适用于求解复杂的函数优化问题。

求解多选择背包问题的改进差分演化算法

首先将差分演化算法(DEA)的演化机制归结为差异算子(DO)和选择算子(SO)的作用,然后基于离散域上的多选择背包问题(MCKP),通过重新定义DEA算法的差异算子中的三种基本运算,并采用个体正整数编码方法和处理非正常编码的快速微调策略,提出了一种求解MCKP问题的改进差分演化算法(MDEA),第一次将DEA用于求解组合最优化问题.对经典MCKP问题实例的计算表明:MDEA算法不但是可行的,而且是高效的.

一种适于求解离散问题的二进制粒子群优化算法

分析了二进制粒子群优化算法(BPSO)的缺陷。为克服此缺陷提出了“粒子位置的双重结构编码”的概念,以此为基础给出一种新的二进制粒子群优化算法———具有双重结构编码的二进制粒子群优化算法(简称DS_BPSO)。DS_BPSO算法既保留了PSO的优点,又非常适用于求解离散优化问题。对随机3-SAT测试实例的数值计算表明:该算法的性能远远超过BPSO算法。

求解随机时变背包问题的精确算法与进化算法

随机时变背包问题(randomized time-varying knapsack problem,简称RTVKP)是一种动态背包问题,也是一种动态组合优化问题,目前其求解算法主要是动态规划的精确算法、近似算法和遗传算法.首先,利用动态规划提出了一种求解RTVKP问题的精确算法,对算法时间复杂度的比较结果表明,它比已有的精确算法更适于求解背包载重较大的一类RTVKP实例.然后,分别基于差分演化和粒子群优化与贪心修正策略相结合,提出了求解RTVKP问题的两种进化算法.对5个RTVKP实例的数值计算结果比较表明,精确算法一般不宜求解大规模的RTVKP实例,而基于差分演化、粒子群优化和遗传算法与贪心修正策略相结合的进化算法却不受实例规模与数据大小的影响,对于振荡频率大且具有较大数据的大规模RTVKP实例均能求得一个极好的近似解.

微粒群算法与郭涛算法在数值优化中的比较

对于9个典型的复杂BenchMark测试函数,分别利用PSO算法和GuoA算法进行数值计算比较,大量实验结果表明:GuoA算法更具有通用性和坚韧性,在全局收敛趋势方面较优,但是速度相对较慢;PSO算法的收敛速度很快,而且对于某些极难问题更具有优越性,但成功率相对较低,且容易早熟。

RSA密码算法的一种新的快速软件实现方法

在介绍标准RSA密码系统的基础上，利用计算近似最短加法链算法给出了软件实现模幂运算的一种改进方法；基于求解孙子定理的混合基数计算算法（MRC）改进了RSA的解密方法；最后，结合快速有效的素数测试方法提出了一种能够快速软件实现RSA密码算法的新方法，并分析比较了各相关算法的计算效率。实验结果表明：利用该方法实现的RSA密码软件系统，可使加、解密运算速度平均提高6～10倍。

求解广义背包问题的贪心DS_BPSO算法

首先针对演化算法求解背包问题定义了贪心变换的概念,并给出了该变换的一种有效实现算法;然后将此算法与文献[5]中提出的具有双重结构编码的二进制粒子群优化算法(DS_BPSO)相结合,提出了一种解决广义背包问题GKP(General Knapsack Problem)的快速算法:基于贪心变换的DS_BPSO算法(GDS_BPSO)。利用该算法求解文献[3,6]中的著名背包实例,给出了该背包实例的目前最好结果。此外,对于随机生成的大规模背包实例,通过与文献[3]中的HGA算法对比计算表明:GDS_BPSO算法是求解广义背包问题的一种高效方法。

一种求解3-SAT问题的新方法

可满足性问题(SatisfiabilityProblem,SAT)是计算科学的典型问题之一,目前有DP算法、SAT1.3算法和遗传算法等多种求解方法。文章根据Kennedy和Eberhart提出的二进制粒子群优化算法(BinaryParticleSwarmOptimizers),基于局部随机搜索策略,给出了一种求解3-SAT问题的新方法:基于局部随机搜索的改进二进制粒子群优化算法(ModifedBinaryParticleSwarmOptimizersBasedonlocalstochasticsearch,简称MBPSO)。数值实验表明,对于随机产生的3-SAT问题测试实例,该算法是一种高效实用的新方法。

基于改进DE算法的难约束优化问题的求解

基于指数函数的性质,提出简易罚函数法(SPFM),用于有效求解难约束优化问题(COP),并屏蔽选取罚因子的困难性。将SPFM和差分演化相结合,给出一种求解难COP的改进差分演化算法(MDE)。利用MDE求解Bump问题可以得出该问题的多个新的最优解,证明MDE在求解难COP时的高效性。

一种基于全局劣汰策略的混合粒子群优化算法

提出一种改进的粒子群优化算法——基于全局劣汰策略的混合粒子群优化算法(GTPSO)。GTPSO在保持PSO算法快速收敛的基础上,以郭涛算法(GuoA)的寻优机制确保种群的多样性和算法的坚韧性。数值计算结果表明,对于高维(维数≥10)复杂非凸多峰函数的数值优化问题,GTPSO算法的计算结果均优于GuoA算法和粒子群优化算法。

求解SAT问题的改进粒子群优化算法

利用限制性公式的相关理论将可满足性问题(SAT)等价转换为定义在{0,1}m上的多项式函数优化问题,并将二进制粒子群优化算法(BPSO)与局部爬山搜索策略相结合,给出了一种求解SAT问题的新算法:基于局部爬山搜索的改进二进制粒子群优化算法(简称IBPSO)。数值实验表明,对于随机产生的3-SAT问题测试实例,该算法的计算结果均优于著名的WalkSAT算法和SAT1.3算法。

求解旅行商问题的位置—次序编码差分演化算法

首先利用“差异算子”和“选择算子”描述了差分演化算法(DE)的基本原理,然后提出了一种新的、通用的特殊编码方法:位置-次序编码法,并利用此编码方法,提出了求解著名旅行商问题的离散差分演化算法:基于位置-次序编码的差分演化算法(PODE)。对于TSPLIB中两个不同规模的旅行商问题实例的计算表明,PODE算法具有极好的收敛性和稳定性。

Edwards曲线上的快速标量乘法算法

在特征不等于2的域上,将椭圆曲线转换为与其双有理等价的Edwards曲线,可以有效提高ECC的软、硬件实现速度。首先简化了Edwards曲线上倍点的计算公式,然后根据连续倍点2mP(m=2,3,…)的坐标具有统一表示形式的特征,基于递归技术提出了一种计算2mP的连续倍点算法(CDA)。通过算法的复杂性分析与实例计算表明:CDA可使Edwards曲线上标量运算的速度提高10%以上。