基于DNA链置换反应网络求解0-1背包问题

目的基于DNA链置换的化学反应网络可以作为一种有效的编程语言来解决各种数学问题,而0-1背包问题是一个经典的NP问题。为了求解0-1背包问题。方法提出利用DNA链置换反应网络,并利用Visual DSD设计仿真实验。结果通过加权、求和和阈值3个反应模块进行求解,最后由输出的单链DNA来表达结果。由于浓度的检测存在一定误差,使用带有荧光分子的单链DNA输出表达操作结果。最后,使用DSD仿真软件得到变量转换模块相对应的链置换反应网络图、变量仿真图以及阈值比较图。模型表明,该算法能够有效降低0-1背包问题的复杂度,并且具有较高的求解精度和稳定性。结论所提出的模型进一步丰富了DNA计算,并拓宽了DNA链位移的计算宽度。

求解0-1背包问题的牵制平衡算法

为扩充对于经典NP-hard问题中的0-1背包问题的求解方法,模拟生态系统中各物种间相互依存、牵制,最终达到动态平衡的自然机制,提出一种新型仿生算法:牵制平衡算法。算法以种群规模描述设计变量,以牵制关系为优化驱动力,以系统达到稳态为优化目标,设计了自成长函数、牵制函数、成长函数用以描述设计变量的变化规律,促进解的寻优进程。将牵制平衡算法对于10个不同规模0-1背包问题的求解结果与近年来文献数据进行对比,结果显示算法在8个不同规模的问题中能获得当前已知最优解,验证了牵制平衡算法的收敛性与求解性能,表明算法对于0-1背包问题的求解具有有效性和竞争力。

求解0-1背包问题的改进二进制捕鱼算法

经典群智能算法在求解0-1背包问题时普遍存在全局搜索能力不强、求解精度不高、收敛速度慢等缺点。针对这一情况,将二进制编码引入捕鱼算法中,提出二进制捕鱼算法。在此基础上,结合算法本身的特点,添加靠近搜索方法,改善渔夫之间的协作效果;借鉴贪心算法和轮盘赌的思想,设计贪心轮盘赌策略,并结合随机比例参数来改善算法初值;同时引入自适应半径系数来解决步长参数设置的问题,进而提出了一种改进二进制捕鱼算法。实验与对比部分对15个0-1背包问题进行求解测试,结果表明,对于常用算例而言,与其它群智能算法相比,改进二进制捕鱼算法能找到全部问题的最优解,且在总体性能上看较优;对于100维及以上的高维背包问题而言,改进算法在求解精度、稳定性、收敛速度、运行耗时等方面均具有明显优势。因此,将改进二进制捕鱼算法应用于求解0-1背包问题是有效的和可行的。

基于S型传递函数的二进制乌鸦搜索算法求解0-1背包问题

基于传递函数,我们提出了一种新的二进制乌鸦搜索算法(BCSA)来求解0-1背包问题(0-1KP),它不仅保留了原有乌鸦搜索算法良好的探索能力,而且具有良好的开发能力。充分利用修复优化方法处理不可行解,在提升算法搜索能力的同时,也加快了算法的收敛速度。为验证BCSA求解0-1KP的性能,将其计算结果与七种不同算法的计算结果进行了比较,发现BCSA的求解精度高、算法稳定性良好,非常适合用来处理大规模0-1KP实例。

基于蚁群算法的多维0-1背包问题的研究

系统地阐述了蚁群算法,并对它进行改进、优化。将蚁群算法应用于求解多维0-1背包问题,提出一种求解多维0-1背包问题的算法——多维0-1背包问题蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。

求解0-1背包问题的多种算法策略的分析

0-1背包问题是一个经典的组合优化问题,常常被应用于资源分配、物流管理等领域,并且在计算机科学和数学中具有重要的理论价值。解决0-1背包问题有多种策略,常见的策略为动态规划法、回溯法和分支限界法,为了确定对该问题求解的最有效方法,研究三种算法求解的性能表现是十分必要的。通过探讨求解0-1背包问题的三种不同算法,并给出该问题的动态规划法、回溯法和分支限界法的求解思路和算法设计,然后通过实验对比和分析三者的运行时间效率。实验表明,三种算法各具优缺点,要根据问题特点和需求来灵活选择算法。

基于混合贪婪烟花算法求解0-1背包问题

针对组合优化中的经典背包问题,为提高基本烟花算法寻找最优解的局部搜索能力和全局搜索能力,将基本烟花算法、贪婪优化策略和模拟退火算法结合,提出一种改进烟花算法。为保证初始种群的多样性,提出采用Tent映射初始化种群;引入贪心修复算子和贪心优化算子修正中间解;同时引入模拟退火机制使得较差解能有一定概率被接受提高算法跳出局部最优的能力。通过对典型测试函数的求解,发现改进烟花算法能精确求解出Griewank函数的理论最优解;对比基本烟花算法、模拟退火算法和粒子群算法,改进烟花算法能以更高精度寻找Sphere函数最优值。通过对4组不同维度的背包问题的求解,发现改进烟花算法能对于大多数测试数据以较大的概率命中最优解。实验结果说明,改进烟花算法具有较高的求解精度和较快的求解速度,能有效求解0-1背包问题。

求解0-1背包问题的二进制狼群算法

狼群算法(wolf pack algorithm,WPA)源于狼群在捕食及其猎物分配中所体现的群体智能,已被成功应用于复杂函数求解。在此基础上,通过定义运动算子,对人工狼位置、步长和智能行为重新进行二进制编码设计,提出了一种解决离散空间组合优化问题的二进制狼群算法(binary wolf pack algorithm,BWPA)。该算法保留了狼群算法基于职责分工的协作式搜索特性,选取离散空间的经典问题——0-1背包问题进行仿真实验,具体通过10组经典的背包问题算例和BWPA算法与经典的二进制粒子群算法、贪婪遗传算法、量子遗传算法在求解3组高维背包问题时的对比计算,例证了算法具有相对更好的稳定性和全局寻优能力。

基于改进的微粒群优化算法的0-1背包问题求解

在介绍微粒群优化算法及其搜索策略的基础上,根据组合约束优化问题的特点,定义了等值变换、异值变换以及变换序列等概念,有针对性地设计了一种适合求解0-1背包问题的特殊微粒群优化算法。实验证明,改进后的微粒群优化算法在求解0-1背包问题上具有可行性和高效性。

基于动态规划法求解动态0-1背包问题

随机时变背包问题(RTVKP)是一种动态组合优化问题,也是一种典型的NP-hard问题。由于RTVKP问题中物品的价值、重量和背包载重均是动态变化的,导致问题的求解非常困难。在动态规划法基础上,提出了一种求解背包载重随机变化的RTVKP问题的确定性算法,分析了其复杂度和成功求解需要满足的条件。对两个大规模实例的计算表明,该算法是求解RTVKP问题的一种高效算法。

求解大规模0-1背包问题的主动进化遗传算法

针对遗传算法求解大规模0-1背包问题中存在的不足,将定向变异机制引入到遗传算法中,提出了基于主动进化遗传算法的0-1背包问题求解算法。该算法利用概率编码方案对种子个体进行编码,每代种群中的个体通过对该代种子个体进行测度而产生,用于定向变异的诱变因子将参与种子个体的进化。实验结果表明,该算法具有较好的全局寻优能力和执行效率。

求解多维0-1背包问题的一种改进的遗传算法

针对多维0-1背包问题,通过应用贪心法和二分搜索法的思想,本文提出了一种新的杂交算子———中值杂交,并且基于此算子提出了求解多维0-1背包问题的一种改进的遗传算法。最后本文通过一系列数值实验,把改进算法与传统的遗传算法以及其他最新的遗传算法进行比较,经过对求得近似解的精度及计算所需时间两方面的对比,验证了其有效性。

求解多维0/1背包问题的二元粒子群算法

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。

基于绝对贪心和预期效率的0-1背包问题优化

在传统求解背包问题的理论基础之上,对难解背包问题进行优化,设计了一种基于绝对贪心策略和预期效率的新算法。针对该算法进行了三组仿真实验,结果表明,算法能够较好地解决一类0-1背包问题,优于贪心算法、回溯法、动态规划算法、分支限界算法,该算法的收敛速度是萤火虫群算法的10倍。经过分析数据的离散程度,确定了该算法的适应范围。

遗传变异蝙蝠算法在0-1背包问题上的应用

0-1背包问题是经典组合优化NP难题。在蝙蝠算法的基础上结合遗传变异的思想,引入主动进化算子、无效蝙蝠和当前最优位置蝙蝠集聚的处理规则,提出了遗传变异蝙蝠算法,并将其用于求解0-1背包问题。仿真结果表明:该算法在收敛速度和精度上优于基本蝙蝠算法,并且能够有效地求解0-1背包问题。

求解多维0—1背包问题的混合遗传算法

文章研究一类典型的组合优化问题——多维０－１背包问题，提出了在简单遗传算法（ＳＧＡ）中加入局部搜索机制的混合遗传算法（ＨＧＡ）来求解该类问题，并在大量数值实验的基础上，将ＨＧＡ与传统的求解方法及ＳＧＡ进行了比较，实验的结果表明，该算法具有一定的优越性。

改进的自适应遗传算法求解0/1背包问题

为提高遗传算法求解问题的性能,提出一种改进的自适应遗传算法,该算法在交叉概率和变异概率公式中引入了当代迭代次数因子,提出了基因差别比例(Ca)的概念。Ca越大的基因位发生交叉、变异的概率越大,产生新个体的可能性越大;在模式生成操作中,确定基因位的选取同样由Ca决定。仿真结果表明,此算法在求解0/1背包问题时,其寻优能力有很大提高。

求解0-1背包问题的二进制蝙蝠算法

为了求解离散空间中的最优化问题,提出了一种二进制蝙蝠算法,并引入时变惯性因子来提高算法的全局收敛速度;在此基础上,为提高求解0-1背包问题时找到最优解的机率,利用贪心优化策略对无效的蝙蝠个体进行优化,从而给出了贪心二进制蝙蝠算法(GBBA)。仿真计算结果表明,GBBA算法在寻优能力和收敛性能方面比已有的GMBA算法都更优越。

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。

在量子计算机上求解0/1背包问题

在Ｇｒｏｖｅｒ算法和量子指数搜索算法的基础上，提出了一个量子算法去求解０／１ 背包问题．这个算法在没有使用任何可以提高搜索效率的经典策略的情况下，能够在Ｏ（ｃ２ｎ２ ）步以至少１－ １２ｃ 的概率求解问题规模为ｎ 的０／１