贪心核加速动态规划算法求解折扣{0-1}背包问题

针对现有动态规划算法求解折扣{0-1}背包问题(D{0-1}KP)缓慢的问题,基于动态规划思想并结合新型贪心修复优化算法(NGROA)与核算法,通过缩小问题规模加速问题求解来提出一种贪心核加速动态规划(GCADP)算法。首先利用NGROA对问题进行贪心求解,得到非完整项;然后通过计算得到模糊核区间的半径和模糊核区间范围;最后对于模糊核区间内的物品及同一项集内的物品利用基础动态规划(BDP)算法求解。实验结果表明:GCADP算法适用于求解D{0-1}KP,且在求解速度上相比BDP算法平均提升了76.24%,相比FirEGA算法平均提升了75.07%。

核加速遗传算法求解折扣{0-1}背包问题

针对现有遗传算法求解折扣{0-1}背包问题(D{0-1}KP)易陷入局部最优解,同时存在大量无效交叉变异操作使得算法收敛较慢等问题,本文基于精英保存策略(EGA)和贪心修复算法(GROA),将核算法与遗传算法进行融合,提出求解D{0-1}KP的核加速遗传算法(CEGA)。将CEGA用于求解四类大规模D{0-1}KP实例,结果表明:CEGA适用于求解D{0-1}KP,且精确度和收敛速度均好于第一遗传算法(FirEGA)。