求解0-1背包问题的混合贪婪遗传算法

求解0-1背包问题(KP)的最优解的时候,传统遗传算法(GA)的局部求精能力不足而简单局部搜索算法的全局探索能力有限,针对上述问题,将这两个算法整合并提出了混合贪婪遗传算法(HGGA)。在GA全局搜索框架下增加局部搜索模块,并改进传统仅基于物品价值密度的修复算子,增加基于物品价值的贪婪混合选项,从而加速寻优过程。HGGA一方面引导种群在进化的优质解空间中展开精细搜索,另一方面依靠GA的经典操作算子开拓全局搜索空间,从而达到算法求精能力和开拓能力的良好平衡。HGGA分别在三组数据上做了测试,结果表明在第一组15个测试用例中的12个上,HGGA能够百分百找到最优解,成功率达到80%;在第二组小规模数据集上,HGGA的性能明显好于其他同类GA和其他元启发算法;在第三组大规模数据集上,HGGA较其他元启发式算法具有更好的稳定性和高效性。

求解函数优化问题的改进布谷鸟搜索算法

为了提高布谷鸟搜索算法求解函数优化问题的求精能力和收敛速度,提出了一种基于自适应机制的改进算法。自适应机制用于控制缩放因子和发现概率,以提高种群的多样性,避免早熟,从而使更多的个体参与演化,达到提高求精能力和收敛速度的效果。仿真实验结果表明,与标准的布谷鸟搜索算法相比,基于自适应机制缩放因子的改进算法(rCS)和基于自适应机制发现概率的改进算法(paCS)在求精能力和收敛速度上都有明显的提高;同时具有自适应缩放因子和自适应发现概率的改进算法(iCS)比rCS和paCS具有更优的求精能力和收敛速度。