改进的克隆选择算法求解高维背包问题

针对克隆选择算法(clonal selection algorithm,CSA)求解高维背包问题(knapsack problem,KP)时可行抗体比率低且易于陷入局部搜索的问题,充分挖掘免疫系统的抗体多样性机理,提出了受体编辑机制,并设计了二次修补策略增强约束处理能力,获得了改进的克隆选择算法CSA-ER(clonal selection algorithm with receptor editing and repair)。数值实验将CSA-ER与CSA的一系列变体(CSA-M、CSA-E、CSA-MR)及两类其他群智能算法应用于两类KP进行了仿真比较,结果表明CSA-ER具有较强的开采和收敛能力。同时对CSA-ER的3个参数(克隆选择率α、编辑率Tr及基因段基准长度σ)进行了敏感性分析,获得了合适的参数选择策略。

抗体修正免疫算法对高维0/1背包问题的应用

遗传算法极难处理高维约束优化问题,故借鉴免疫系统机理,提出一种抗体修正免疫算法解决一类高维约束优化问题。该算法设计的关键在于抗体亲和力由抗体浓度及群体状态决定;可行抗体被克隆、突变;非可行抗体的基因按价值密度由小到大逐一修正。选取两种已有的智能算法(ETGA、ISGA),通过不同约束条件下的高维0/1背包问题的仿真比较。结果表明,该算法较其他算法能更快地跟踪最优值,具有较强的勘测和开采能力。

求解高维动态0-1背包问题的修补二进制差分进化算法

针对已有的动态优化算法求解高维动态背包问题(DKP)难以获得高质量的可行解,且跟踪环境速度慢,提出了一种修补二进制差分进化算法(BDE/R)用于求解高维DKP。在BDE/R设计中,一种随机压缩变异策略直接根据个体间的差异在离散域内对个体进行突变;提出了一种贪婪的修补策略,提高了所获可行解的质量和算法的收敛速度;设计了一种对偶变换算子,提高种群的多样性,加速了算法跟踪环境的能力。数值实验以平均环境跟踪精确度(Av-Acc)和平均环境跟踪适应度(Av-Ada)为性能评价指标,通过四种DKP测试BDE/R跟踪动态最优值的能力,并将BDE/R与其他五种著名的优化算法进行了比较。结果表明:BDE/R所获的Av-Acc和Av-Ada指标优越于其他算法;由平均适应度跟踪曲线比较获知,BDE/R跟踪环境速度快于其他算法。

高维0-1背包问题的双种群角度调制DE算法

针对高维0-1背包问题,提出一种双种群新型DE算法。该算法采用双种群编码机制,其中一个为低维的实数编码种群,另一个为高维的二进制编码种群。借鉴通信领域的角度调制原理,通过低维种群中的个体,生成高维种群个体,实现将高维优化问题转换到低维空间进行优化求解。此外,新定义丢弃算子对演化过程中的不可行解实时进行修正。仿真实验结果表明了该算法求解高维0-1背包问题的有效性。

元胞分布估计算法求解高维0/1背包问题

基于元胞自动机的原理和分布估计算法,提出一种求解高维0/1背包问题的元胞分布估计算法.该算法将元胞及其邻居引入到框架中来增强其局部搜索能力,提高算法的收敛精度;同时,设计了一种采样机制,结合概率模型和当代最优个体来产生新个体以提高算法的收敛速度;另外,根据背包问题的特点设计了一种贪心修复机制,有效改善了种群中解的质量.在实验阶段,选取三种已有的智能算法,通过对不同约束条件下的高维0/1背包问题进行仿真比较,实验结果表明该算法能够避免早熟收敛,较其他算法具有更快的收敛速度和更高的稳定性.