机会约束的多选择背包问题的遗传算法求解

机会约束的多选择背包问题(CCMCKP)是一类具有重要应用价值的NP难组合优化问题,但目前还缺乏关于该问题求解方法的专门研究。为此,提出首个CCMCKP的求解框架,并基于该框架构建了两种求解方法:基于动态规划的RA-DP和基于遗传算法的RA-IGA。RA-DP是精确求解方法,具有最优性保证,但是在可接受的时间(1 h)内仅能求解小规模问题样例;相较而言,RA-IGA是近似求解方法,具有更好的可扩放性。仿真实验结果验证了所提求解方法的性能:在小规模问题样例上,RA-DP和RA-IGA都可以找到最优解;在中大规模问题样例上,RA-IGA表现出了比RA-DP显著更高的求解效率,它总是可以在给定时间(1 h)内快速获得可行解。在CCMCKP的后续研究中,RA-DP和RA-IGA可作为基准对比方法,而实验工作中所构建的测试样例集可作为该问题的标准测试集。

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.

改进的量子粒子群优化算法对多维多选择背包问题的求解

针对多维多选择背包问题无法在多项式时间内找到最优解,且由于其强约束限制条件,在求解过程中易陷入局部最优的问题,提出一种改进的量子粒子群优化算法对该问题进行求解.首先,在量子粒子移动过程中,通过判断其与下次迭代个体的位置关系确定其位置信息的可用性,通过该信息充分保留粒子位置的多样性;其次,提出一种新的位置扰动方法,避免种群陷入局部最优.最后,将该算法在标准数据集上进行测试,对算法的收敛速度和运行时间进行分析,测试结果表明,该算法在求解准确性上得到明显提升.

基于改进的蜂群遗传算法求解多选择背包问题

多选择背包问题是组合优化中的典型NP难题之一。针对传统蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,提出改进策略。改进的算法通过设置两个自适应变化的种群雄蜂群和雌蜂群,雄蜂群负责与蜂后交叉操作以保持种群的选择压力,雌蜂群负责自适应变异操作以保持种群多样性,蜂后则根据启发式规则主动进化以局部寻优。根据算法实现的核心思想,仿真实验结果表明,提出的改进算法可以有效避免陷入局部最优,同时通过实例也验证了算法的可行性和有效性。

多选择背包问题的人工蜂群算法

多选择背包问题是组合优化中的NP难题之一,采用一种新的智能优化算法——人工蜂群算法进行求解。该算法通过雇佣蜂、跟随蜂和侦察蜂的局部寻优来实现全局最优。基于算法实现的核心思想,用MATLAB编程实现,对参考文献的算例进行仿真测试。与其他算法进行了比较,获得了满意的结果。这说明了算法在解决该问题上的可行性与有效性,拓展了人工蜂群算法的应用领域。

一种求解多维多选择背包问题的分布估计算法

针对多维多选择背包问题(MMKP)局部难以优化的特点,提出将分布估计算法(EDA)应用于优化MMKP问题。为了提升EDA优化局部的能力,以构建待选物品价值权重因子的方式来改进EDA的初始模型和概率模型更新方法;并平衡了极值效应对算法寻优过程的影响,克服了传统EDA局部优化能力不强的缺陷.同时采用新的非可行解的修复机制,维护了机器学习法对概率模型的促进作用,提高了改进算法的全局优化能力。实验结果表明,该算法能够有效地优化MMKP问题,其性能高于传统的优化算法。

多选择背包问题的元胞萤火虫算法

为有效求解多选择背包问题,基于元胞自动机的原理和萤火虫算法,提出一种求解多选择背包问题的元胞萤火虫算法。将元胞及其邻居引入到算法中来保持种群的多样性,利用元胞的演化规则进行局部优化,避免算法陷入局部极值。通过对典型多选择背包问题的仿真实验和其他算法的比较,表明该算法可行有效,有良好的全局优化能力。

用遗传算法实现罚函数法解多选择背包问题

多选择背包问题最为复杂,传统的整数规划算法难以适用。另僻蹊径,采用数学上的罚函数法来求解。对罚函数法进行改进,使得能对多选择背包问题的数学模型进行求解。重点研究了如何把3种约束条件转化成目标函数的惩罚项。再从遗传算法的角度,来研究如何实现这种新的罚函数法。最终使用VisualC++6编程实现,并与前人的算法进行比较,取得了较好的效果。

基于图论求解多选择背包问题

多选择背包问题涉及的约束条件种类最多,在背包问题的各种变形中最为复杂。使用动态规划的思想,巧妙地把这个组合优化领域的问题转化成图论上求最短路径的问题。因为标准的Dijkstra算法只能找出两个节点间的一条最短路径,为了克服这个问题,对该算法进行了改进。对案例的测试表明,该算法能成功地算出多选择背包问题的全部最优解。首次把动态规划、图论算法共同应用到多选择背包问题,既能发挥动态规划的理论优势来大大减少计算量,又能充分利用图论的已有成果。

多重群体遗传算法在多选择背包问题中的应用

在解决多选择背包问题中,引入了多重群体遗传算法作为求解方法,根据此问题的特点,制定了具体的杂交、变异方法,设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数,采用新陈代谢的跨世代选择策略,以更好地保持进化过程中的遗传多样性。实践表明,引入了多重群体遗传算法之后,求解此问题效率有明显的改善与提高。

模糊人工蜂群算法的多选择多维背包问题求解

针对传统人工蜂群算法早熟收敛问题,基于模糊化处理和蜂群寻优的特点,提出一种模糊人工蜂群算法。将模糊输入输出机制引入到算法中来保持蜜源访问概率的动态更新。根据算法计算过程中的不同阶段对蜜源访问概率有效调整,避免算法陷入局部极值。通过对多选择多维背包问题的仿真实验和与其他算法的比较,表明本算法可行有效,有良好的鲁棒性。

多选择背包问题的知识进化算法

针对多选择背包问题,设计了求解该问题的知识进化算法方案,编写了仿真实验的程序,并采用其他文献的算例进行了仿真实验。结果表明该算法的有效性和优越性。本文为求解多选择背包问题提供了一种新的可行方法,同时也拓展了知识进化算法的应用领域。

基于核算法解决多维多选择背包问题

针对目前尚无多维多选择背包问题(MMKP)高效核算法的现状,提出用多种方法来构造处理这种类型背包的核。首先论述了如何在一般背包问题中获得核;接着根据事先设定的度量指标详细讨论了MMKP的基本解和两种排序关系,并利用三种备选方案得出MMKP的核,亦即子空间。第一种方案是基于观察数据E[lc]和E[d∞]比较小来得到核;第二种方案基于基本解和最优解的曼哈顿距离不算太远来实施;第三种方案是为所有元素定义一个全序并取第一组k元素作为核。比较了这三种方案的不同与优劣,结果表明:第一种方案比其他两种方案无论从定义子空间的精度和枚举时间平均值上,性能都更优越,利用该方案定义的核能高效解决MMKP。

广义多维多选择背包问题

在分析多维背包问题和多选择背包问题的基础上,提出一种广义的多维多选择背包问题,给出了该问题的数学模型并改进传统的贪婪算法对其进行了求解。该算法以价值密度为准则,并对每个约束条件先后执行贪婪优化,从而得到问题的近似最优解。

差异演化算法求解多选择背包问题

多选择背包问题是典型的NP难题。建立了多选择背包问题的数学模型。设计了差异演化算法对其进行求解。通过对其它文献中实例的仿真试验和结果对比,表明了算法求解多选择背包问题的可行性和有效性。

粒子群优化算法求解多选择背包问题

多选择背包问题是典型的NP难题,建立了多选择背包问题的数学模型,设计了一种粒子群优化算法对其进行求解。通过对其它文献中实例的仿真试验和结果对比,表明了算法对求解多选择背包问题的可行性和有效性。

融合差异进化的混合算法求解多选择背包问题

针对典型的组合优化问题——多选择背包问题(MCKP),提出了一种融合差异进化的混合算法(IDEHA)。算法按照适应度值将个体分为3个阶级,实施差异进化;通过设计一种有效的随机贪心修复策略,引入精英库进行协同寻优来加速算法收敛。通过对典型的多选择背包算例的求解并与其他算法的对比分析,基于融合差异进化的混合算法具有收敛速度快、求解精度高、稳定性和鲁棒性强等优点。

改进帕累托算法求解超大规模多选择背包问题

实际生产生活中大量多选一的问题都可以转为多选择背包问题(MCKP),但MCKP是一个经典的NP难问题,因此对于超大规模MCKP而言,往往只能利用粒子群算法、狼群算法、鱼群算法等群智能算法对问题进行求解.对于群智能算法而言,高效快捷的贪心算法对于初始解的生成起着至关重要的作用.基于凸帕累托算法(CPA),提出一种能够快速求解线性支配子集的改进帕累托算法(IPA).IPA首先选择各类项集的质量最小项,然后计算所有物品的价值密度,最后按照价值密度从高到低选择对物品进行贪心选择,若贪心选择项的价值大于其所在项集原有选择项,则进行迭代.仿真实验结果表明:IPA相比于CPA,求解速度平均提升98.86%.且PSO-IPA求解精度平均提升28.92%.

多重群体遗传算法在多选择背包问题中的应用

为了解决多选择背包问题,引入了多重群体遗传算法作为求解方法,根据此问题的特点而制定了具体的杂交、变异方法,设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数,采用新陈代谢的选择策略,以更好地保持进化过程中的遗传多样性。实践表明,引入了多重群体遗传算法之后,求解此问题效率有明显的改善与提高。

求解多选择多维背包问题的混合蚁群算法

本文提出了将蚁群算法和拉格朗日松弛法融合的算法来求解多选择多维背包问题。算法遵循了最大最小蚁群系统的算法方案,从拉格朗日松弛中得到的项目的拉格朗日值将被作为蚁群算法的启发式因子,它在定义的6个基于域的启发式因子中表现最好。在此基础上,提出了一种新颖的可行性指标,将可能不可行解转化为可行解。通过将该算法与现有的三种算法进行比较的实验测试,结果表明,该算法具有较强的求解能力。