多选择背包问题的快速求解算法

背包问题属于组合优化中的经典问题,它有许多重要的变形,其中以多选择背包问题最为复杂.为更快地求解多选择背包问题,文中首先对该问题进行了理论分析,然后基于动态规划提出了一种新的求解算法,并对一个复杂的案例进行了测试.结果表明,这种新算法比遗传算法快9.4倍,比传统的0-1整数规划求解法快78倍.通过对数学模型的改进可大大降低问题的规模.更重要的是,所用方法可避免求解任何线性规划问题.     

快速求解多选择背包问题

本文对多选择背包问题的数学模型进行改进，然后基于动态规划提出了一种新的求解算法。在软件设计中采用了空间换效率的策略。然后对一个复杂的测试案例进行计算，并与遗传算法和传统的0-1整数规划求解法进行比较，发现这种新算法的计算速度得到较大较高。该算法的主要优势是：通过对数学模型的改进大大降低问题的规模、不用求解任何线性规划问题、能同时兼容几种背包问题的求解。     

基于进化规划算法的背包问题求解研究

背包问题是一个具有较强应用价值的NP完全问题.如何设计求解此类问题的算法,则具有很强的实用价值和理论意义.目前已有很多的求解方法,但背包问题并没有完全解决.本文在启发式算法的理论基础上,改进了进化规划算法求解背包问题,此方法简单通用、易于操作.数值实验表明该方法具有较高的准确率,能较快的收敛到全局最优点.     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

求解0—1背包问题的动态规划法分析

0—1背包问题是一种经典的NP-hard组合优化问题,现实生活中的很多问题都可以以它为模型。首先对0—1背包问题进行了描述,根据其具有最优子结构性质和子问题重叠性质,进而提出了基于动态规划法的策略来求解该问题。另外,为了降低算法的复杂性,又提出了算法的改进策略。实例的运行结果表明了算法的有效性,同时也证实了改进策略的优越性。     

一种改进的模拟退火算法求解0-1背包问题

从增强算法收敛性和减少参数依赖性的角度出发,提出应用改进的模拟退火算法求解0-1背包问题.对模拟退火算法有所改进,并有效地克服它的弱点,使其在优化性能,优化效率和可靠性方面有明显的优越性.阐明了用该算法求解0-1背包问题的具体实现过程,并通过实际数值计算和结果比较表明,该算法在求解0-1背包问题优于传统的模拟退火算法,并且得到更有效的近似解.     

求解0-1背包问题的混合遗传算法

对于0-1背包问题设计一种价值密度,并在此基础上提出求解0-1背包问题的混合遗传算法.经大量数值实验比较该方法与传统方法及简单遗传算法,结果表明算法能有效求解0-1背包问题.     

求解背包问题的一种改进粒子群优化算法

针对0—1背包问题,提出了一种改进的粒子群优化算法。在物品规模增大时,该算法能够有效寻找全局最优解,提高背包的空间利用率,降低背包的空置率。通过仿真实验表明,改进的粒子群优化算法在背包问题求解中具有更好的收敛性和稳定性。     

基于遗传算法求解0—1背包问题的算法探讨

0-1背包问题是一类典型的组合优化问题,并且是NP完全问题,具有重要的研究意义.介绍了贪婪算法和基本遗传算法求解背包问题的设计思想,提出了基于贪婪算法的混合遗传算法求解0-1背包问题.实验结果表明改进的遗传算法有更好的近似解.     

应用知识进化原理求解背包问题的算法研究

以知识进化论哲学思想为基础,提出一种应用知识进化原理求解背包问题的算法(简称为KP-KEA),利用Banach压缩映射原理证明了算法的全局收敛性.该算法使用传承算子来传承知识库中的优秀知识个体,利用创新算子来产生新知识个体,利用更新算子来更新知识库,在它们的共同作用下实现知识的进化,最后从知识库的最优知识个体中获取背包问题的最优解.实例表明,该算法在求解背包问题时取得了良好的效果,其收敛速度和最优解的质量均优于常用的遗传算法.该算法同样适用于其他约束优化问题的求解.