基于分治的背包问题DNA计算机算法

如何减少DNA计算机在求解大型难解问题中以问题输入纯指数增长的DNA链数,已成为DNA计算机研究的重要内容.将分治策略应用于背包问题的DNA分子计算中,提出一种求解背包问题的新的DNA计算机算法.算法由n位并行减法器、n位数据搜索器和其他4个子算法组成.算法的DNA链数可达到亚指数的O(2q/2),其中q为背包问题的维数.与最近文献结论进行的对比分析表明:算法将求解背包问题所需的DNA链数从O(2q)减少至O(2q/2),最大链长度减少为原来的1/2,因此,理论上新算法在试管级水平上能将可破解的背包公钥的维数从60提高到120.     

基于质粒分子数子集O（1．414^n）DNA计算机算法

文章提出了一种求解背包问题的新的基于质粒DNA计算机算法.本算法的DNA链数可达到亚指数的O(1.414n),其中n为背包问题的维数.将提出的算法与已有文献结论进行的时比分析表明:本算法将穷举算法中所需的DNA链数从O(2n)减少至O(1.414n),因此利用本DNA计算机算法在试管级水平上能将可破解的背包公钥的维数从60提高到120,显示出了一定的优越性.     

一种求解背包问题的改进遗传算法

背包问题是计算机算法研究中NP完备类的一个困难问题．使用传统的优化方法在求解较大规模的背包问题时．都存在计算量大、迭代时间长的缺陷。为了克服传统优化方法的不足,提高求解的速度和精度,将人类繁育方式引入遗传算法中,形成一种求解背包问题的改进遗传算法（IGA）。介绍算法的基本思想以及使用该算法求解背包问题的方法．并通过实例证明该方法的可行性和有效性。     

背包问题DNA算法的反应设计及其生物实现(英文)

有关背包问题的DNA算法近年来得到重视,文中实现了求解背包问题的并行搜索解的实验,通过最优的方法完成有限容量背包的物品选择．展示了面向反应的DNA片段设计,计算过程为溶液DNA高效连接反应,反应结果分别用定量（PCR）和定性（测序）两种方法检测．文中的方法适用于多重约束条件的优化问题．     

基于分治的子集积问题DNA计算机算法

如何减少DNA计算机在求解大型科学问题中以问题输入纯指数增长的DNA链数，已成为DNA计算机研究的重要内容。本文将分治策略应用于子集积问题的DNA分子计算中，提出一种求解子集积问题的新的DNA计算机算法。该算法由n位数据搜索器和其它五个子算法组成，其DNA链数可达到亚指数的O（2^q/2），其中q为子集积问题的维数。与最近文献结结论进行的对比分析表明：新算法将求解子集积问题所需的DNA链数从O（2^q）减少至O（2^q/2），最大链长度减少为原来的1／2。因此，利用新算法在试管级水平上能将可
破解的子集积公钥的维数从60提高到120。     

关于0-1背包问题的算法研究

0/1背包问题是计算机算法中一个经典问题.目前,贪心算法、动态算法和蚁群算法是求解0/1背包问题的主要算法,从各种算法设计思想入手,并进行理论分析.着重讲述一种群体智能算法中的蚁群算法,对解决背包问题的高效性.     

求解0-1背包问题的一种新混合算法

用动态规划算法求解0-1背包问题的时空复杂度为O（nC）。这个空间复杂度在求解大规模问题上是不可接受的。从计算0-1背包问题最优值的递归方程出发,给出高效利用内存的动态规划算法。为了克服内存高效的动态规划算法带来的缺点,设计新混合算法求解0-1背包问题。该新混合算法的时间复杂度为O（nC）;它消除了回溯阶段,并且为求得放入背包的物品所使用的空间复杂度仅为O（「n/d?+C）,其中d为计算机字长。实验结果表明,混合算法的工作效率与理论分析相同。     

混合差异演化算法在背包问题中的应用

提出了一种用于求解0-1背包问题的混合差异演化算法,详细阐述了该算法求解背包问题的具体操作过程。算法主要使用了两个思想策略,即启发式贪婪算法和基于二进制编码的差异演化算法。通过对其它文献中仿真实例的计算和结果对比,表明该算法对求解0-1背包问题的有效性,这对差异演化算法解决其它离散问题会有些帮助。     

粒子群优化算法在0／1背包问题的应用

对于背包问题现有许多不同的求解方法。文中给出基于PSO的背包问题的一种新的求解方法。首先将背包问题对应到PSO算法中位置和速度的表示,建立了解决资源分配问题的随机粒子群算法,同时利用建立的算法与遗传算法比较,可见PSO得到了满意的计算结果。     

一种求解背包问题的混合遗传微粒群算法

背包问题是计算科学理论中一个著名的NP-hard问题,也是典型的组合优化问题,在物流系统的库存分配和货物装载等方面都有非常重要的应用.采用借鉴遗传算法的编码、交叉和变异的遗传微粒群算法对背包问题进行求解.为了增强遗传微粒群算法的搜索性能,将基于自学习规则的启发式算法与遗传微粒群算法相结合得到混合遗传算法用于求解背包问题.对多个标准测试实例的仿真计算表明,该算法能有效求解KP问题.     

粒子群优化算法在0/1背包问题的应用

对于背包问题现有许多不同的求解方法.文中给出基于PSO的背包问题的一种新的求解方法.首先将背包问题对应到PSO算法中位置和速度的表示,建立了解决资源分配问题的随机粒子群算法,同时利用建立的算法与遗传算法比较,可见PSO得到了满意的计算结果.     

背包问题的量子计算算法

背包问题属于NP完全问题,经典算法对规模为n的背包问题求解的时间复杂度为O（n²）。给出了基于固定相位的背包问题量子计算算法,证明了该算法在多解的情况下,能够以不低于98%的成功率在O（√N/M）步完成对规模为n的背包问题求解（M是解的数目）,而基于原始Grover算法的背包问题量子计算算法计算复杂度为O（√N/M）,成功率是50%～100%。     

精确覆盖问题的O(1.414~n)链数DNA计算机算法

DNA计算机的可扩展性问题是近年来生物计算领域的重要研究重点之一.根据精确覆盖问题DNA计算求解过程中的并行计算需求,将Aldeman-Lipton模型的操作与粘贴模型的解空间结合,引入荧光标记和凝胶电泳技术,提出了一种求解精确覆盖问题的DNA计算模型和基于分治方法的DNA计算机算法.算法由初始解空间生成算法Init()、冗余解删除算法IllegalRemove()和并行搜索器ParallelSeacher()共3个子算法组成.与同类算法的性能比较分析表明:本算法在保持多项式生物操作复杂性的条件下,将求解n维精确覆盖问题的DNA链数从O(2n)减少至O(1.414n),从而将DNA计算机在试管内可求解的精确覆盖问题集合的基数从60提高到120,改进了相关文献的研究结果.     

基于动态规划法求解动态o-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。     

基于0/1背包问题的算法探究

0／1背包问题是计算机科学中的一个经典问题。动态规划法，递归法，回溯法是求解该问题的三种典型方法，使用这三种方法求解0／1背包问题，并对各算法进行了理论分析。用不同规模的0／1背包问题对三种算法进行测试，比较它们的运行时间，发现测试结果与其理论分析结果相符．最后指出就求解不同规模的0／1背包问题而言各算法的优劣。     

求解广义背包问题的贪心DS_BPSO算法

首先针对演化算法求解背包问题定义了贪心变换的概念,并给出了该变换的一种有效实现算法;然后将此算法与文献[5]中提出的具有双重结构编码的二进制粒子群优化算法(DS_BPSO)相结合,提出了一种解决广义背包问题GKP(General Knapsack Problem)的快速算法:基于贪心变换的DS_BPSO算法(GDS_BPSO).利用该算法求解文献[3,6]中的著名背包实例,给出了该背包实例的目前最好结果.此外,对于随机生成的大规模背包实例,通过与文献[3]中的HGA算法对比计算表明:GDS_BPSO算法是求解广义背包问题的一种高效方法.     

基于背包问题的在线组卷算法

针对当前计算机在线自动组卷效率低和效果不理想的问题,提出一种基于背包问题求解的组卷算法,并改进了传统的背包问题求解思想:即按照题型和难度将试卷大包划分成试卷小包,进而分别求解,利用背包问题求解其过程。实验表明,算法可根据专家设计的组卷策略自动生成试卷,效率和成功率都是比较理想的。     

基于采样和MIMD结构的背包问题并行算法

背包问题属于著名的NP完全问题，在信息密码学和数论研究中有着极其重要的应用。在深入分析背包问题现有并行算法的基础上，本文提出了一种基于采样和MIMD结构的背包问题并行求解算法，并给出了算法性能的理论分析和在IBMP690超级计算机上的实验结果。实验结果表明，当背包实例的维数n≥40时，本算法的并行效率可达60％以上。因此，本并行算法具有较好的可扩展性，能应用于各种MIMD结构的并行机上有效地求解背包问题。     

利用二进制差分演化算法求解动态优化问题

利用进化算法求解动态优化问题是智能计算领域中的研究热点。基于HBDE求解动态位匹配问题（DBMP）和时变背包问题（TVKP）,在分析DBMP和TVKP的数学模型基础上分别提出利用HBDE求解它们的可行算法。与原对偶遗传算法的仿真计算结果比较表明：基于HBDE求解大规模DBMP和TVKPB问题不但是可行的,而且是高效的。     

背包问题的一种自适应算法

背包问题是经典的NP-hard组合优化问题之一，由于其难解性，该问题在信息密码学和数论研究中具有极重要的应用．基于求解背包问题著名的二表算法和动态二表算法，利用归并原理和4个非平衡的子表，提出一种求解该问题的自适应算法，算法可根据计算资源和问题实例规模的大小，允许使用O(2^n/2-ε)的存储空间(1≤ε≤n／4)，在O(ε(2^n/2))的时间内求解背包问题．对算法性能的理论分析和数值实验结果表明，自适应算法可显著扩大背包实例的求解规模，从时间和空间上改进背包问题现有算法的性能．