A revised weight-coded evolutionary algorithm (RWCEA) is proposed for solving multidimensional knapsack problems. This RWCEA uses a new decoding method and incorporates a heuristic method in initialization. Computatio...A revised weight-coded evolutionary algorithm (RWCEA) is proposed for solving multidimensional knapsack problems. This RWCEA uses a new decoding method and incorporates a heuristic method in initialization. Computational results show that the RWCEA performs better than a weight-coded evolutionary algorithm pro-posed by Raidl (1999) and to some existing benchmarks, it can yield better results than the ones reported in the OR-library.展开更多
蚁群优化(ACO)算法是一种常用的元启发式算法,它通过模拟蚁群寻找食物的过程,为求解多维背包问题(MKP)等NP难(Non-deterministic Polynomial hard)问题提供可行途径。原始ACO算法及其改进算法,通常分为多个轮次,每个轮次均会生成一个蚂...蚁群优化(ACO)算法是一种常用的元启发式算法,它通过模拟蚁群寻找食物的过程,为求解多维背包问题(MKP)等NP难(Non-deterministic Polynomial hard)问题提供可行途径。原始ACO算法及其改进算法,通常分为多个轮次,每个轮次均会生成一个蚂蚁种群寻找可行解。在不同轮次中,每轮蚁群中蚂蚁的数量是固定的,因此,如果将其指定一个较大的值,会导致算法出现不必要的时间消耗;反之,如果指定的值较小,则会降低算法全局最优解搜索能力。为此,提出了一种基于蚁群数量动态调整的改进蚁群优化算法ACO-ANDA(ACO algorithm based on Ant Number Dynamic Adjustment),所提算法在可行解搜索过程中,引入了一种新的蚁群数量动态调整机制。在每轮可行解搜索结束后,均根据近几轮可行解和历史最优解之间的关系,调整下一轮蚁群数量,实现对算法时间耗费和最优解搜索能力的平衡。再基于MKP基准测试集SAC-94的多组实验结果表明,相较于原始ACO算法,所提算法能够在最优解利润平均降低0.02%的情况下,平均降低77.85%的时间耗费。展开更多
从一维细胞自动机模型入手,设计了一种求解二元离散优化问题的二元粒子群算法细胞自动机模型(BPSO-CA)。粒子从起始细胞出发,根据本身携带的信息并感知存储在细胞中的全局最优粒子位置的信息随机选择状态(0或1),从而实现复杂智能的"...从一维细胞自动机模型入手,设计了一种求解二元离散优化问题的二元粒子群算法细胞自动机模型(BPSO-CA)。粒子从起始细胞出发,根据本身携带的信息并感知存储在细胞中的全局最优粒子位置的信息随机选择状态(0或1),从而实现复杂智能的"涌现"。然后将其用来求解多维0/1背包问题,同时引入贪心算法对不符合约束条件的非法个体进行修正。通过对Zuse Institute Berlin公布的测试集进行实验,表明该模型能在多项式时间内完成求解过程,且实验结果优于测试集记录的结果。展开更多
文摘A revised weight-coded evolutionary algorithm (RWCEA) is proposed for solving multidimensional knapsack problems. This RWCEA uses a new decoding method and incorporates a heuristic method in initialization. Computational results show that the RWCEA performs better than a weight-coded evolutionary algorithm pro-posed by Raidl (1999) and to some existing benchmarks, it can yield better results than the ones reported in the OR-library.
文摘蚁群优化(ACO)算法是一种常用的元启发式算法,它通过模拟蚁群寻找食物的过程,为求解多维背包问题(MKP)等NP难(Non-deterministic Polynomial hard)问题提供可行途径。原始ACO算法及其改进算法,通常分为多个轮次,每个轮次均会生成一个蚂蚁种群寻找可行解。在不同轮次中,每轮蚁群中蚂蚁的数量是固定的,因此,如果将其指定一个较大的值,会导致算法出现不必要的时间消耗;反之,如果指定的值较小,则会降低算法全局最优解搜索能力。为此,提出了一种基于蚁群数量动态调整的改进蚁群优化算法ACO-ANDA(ACO algorithm based on Ant Number Dynamic Adjustment),所提算法在可行解搜索过程中,引入了一种新的蚁群数量动态调整机制。在每轮可行解搜索结束后,均根据近几轮可行解和历史最优解之间的关系,调整下一轮蚁群数量,实现对算法时间耗费和最优解搜索能力的平衡。再基于MKP基准测试集SAC-94的多组实验结果表明,相较于原始ACO算法,所提算法能够在最优解利润平均降低0.02%的情况下,平均降低77.85%的时间耗费。
文摘从一维细胞自动机模型入手,设计了一种求解二元离散优化问题的二元粒子群算法细胞自动机模型(BPSO-CA)。粒子从起始细胞出发,根据本身携带的信息并感知存储在细胞中的全局最优粒子位置的信息随机选择状态(0或1),从而实现复杂智能的"涌现"。然后将其用来求解多维0/1背包问题,同时引入贪心算法对不符合约束条件的非法个体进行修正。通过对Zuse Institute Berlin公布的测试集进行实验,表明该模型能在多项式时间内完成求解过程,且实验结果优于测试集记录的结果。