连续背包问题贪婪算法最优解的实现

贪婪法是用于设计数值最优化问题的算法之一,它能应用于求解不同领域的多种问题,如应用于集装箱问题的背包贪婪算法。贪婪法不追求最优解,不要回溯,只希望得到较为满意的解,使用贪婪法不能保证一定得到最优解。本文通过对连续背包问题不同贪婪准则的讨论,给出了一个贪婪算法最优解实现的C程序。     

基于改进遗传算法的资源优化配置研究

当前在解决资源优化配置问题时往往使用贪婪算法、遗传算法等.但贪婪算法只能选择一个最优度量标准,所以只能获得度量意义下的最优解而不是该问题的最优解,而如果直接使用遗传算法又存在搜索空间过大、耗时过长的问题.提出了一种新的算法.先基于贪婪算法获得问题的初始解空间,然后对初始解空间进行冲突检测与消解,最后运用改进的遗传算法进行优化获得最优方案.测试算例表明大大缩小了遗传算法的搜索空间,在保证获得最优解的条件下加快了收敛速度并有效防止了种群的退化.提出的算法在突发事务的处理方面具有一定的意义.     

射频供能传感网面向融合检测的部署调度方法

当射频供能传感网应用于目标检测时,对节点的部署位置和充电/感知调度表进行合理规划可有效提高系统检测质量.基于融合检测模型,首先归纳了使得系统检测质量最大化的节点部署和调度联合优化问题,证明了该问题是NP完全问题.然后分析了融合半径对检测率的影响,提出了基于贪婪算法的节点部署调度联合优化算法.通过小规模网络、大规模网络及基于真实数据集的仿真,将该算法分别与全局最优解、分阶段优化贪婪算法进行了性能比较.实现结果表明：所提出的联合优化贪婪算法获得的系统检测质量在各组仿真中均优于分阶段贪婪算法,并且在小规模网络中接近于全局最优解.     

流不平衡条件下飞机恢复的优化模型与算法研究

为更有效地解决航空公司飞机恢复问题,在经典的资源指派优化模型中放宽飞机流平衡约束,加入合并航班的恢复策略;在贪婪随机自适应算法(GRASP)和模拟退火算法的基础上,提出一种新的启发式算法贪婪随机模拟退火算法,降低了陷入局部最优解的概率,同时通过限定路径对的种类和候选解的数量,提高了算法的时间效率.实例计算结果表明,本文提出的模型和算法能有效处理流不平衡条件下大规模飞机恢复问题,在有效的时间内求得最优解或近似最优解.     

基于混合粒子群优化算法的旅行商问题求解

针对旅行商问题提出一种混合粒子群优化算法。为了增强算法的局部搜索能力,在粒子群优化算法中加入倒置、对换等局部搜索算法。利用遗传算法全局搜索能力强的特点对用粒子群优化算法求到的解进行优化,对全局最优路径通过消除交叉路径进行优化,以进一步提高混合算法的性能。仿真结果表明,中小规模旅行商问题能够在较少的代数内收敛到较满意解。     

基于改进差分进化的车辆路径优化算法

差分进化算法是一种具有记忆个体最优解和种群内部信息共享的特点的新型进化算法,本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具有NP难的车辆路径优化问题,提出了一种改进的差分进化算法。利用贪心算法产生初始种群,定义合法化修复变异个体的方法,采用改进的顺序交叉,并在变异操作之后,加入新的选择机制。使用Matlab进行了算法的实现,实验结果表明了改进DE算法能够高效地解决VRP问题。     

整数背包问题的应用及其算法研究

本文应用整数背包问题有关理论,对CD曲目智能编辑转录和条型钢材优化切割等应用问题进行了讨论,提出了一个解决此类问题的数学模型,之后,分别给出了求其最优解和近似解的算法,并提供了该数学模型及算法的应用建议。     

解决无线传感器网络能量洞问题的贪婪算法

无线传感器网络中的能量洞问题是影响网络寿命的关键因素之一。在基于环模型的多跳传感器网络中,通过优化所有环的传输距离可以有效地延长网络寿命。提出了一种近似的贪婪算法（ASGT）,该算法将最优传输距离序列问题转化为最优生成树问题,在降低搜索（算法）复杂度的同时得到与最优解近似的结果。模拟实验证明了采用ASGT算法的网络寿命逼近于理想最优序列下的网络生命时间,并且与已有的文献算法相比,ASGT可以延长网络寿命两倍以上。     

基于二重结构编码遗传算法求解背包问题的研究

针对背包问题传统的解决方法有动态规划法、分支界限法、回溯法。传统的方法不能有效地解决背包问题。文中提出二重结构编码的遗传算法解决背包问题,是一种适合于在大量的可行解中搜索最优解的有效算法,在约束条件的处理上结合贪婪算法,既加快了算法的收敛速度,又克服了传统方法容易陷入局部最优的特点,提高了搜索效率。通过计算机仿真试验结果表明,二重结构编码的遗传算法比基本遗传编码有更好的近似解,充分证明了使用二重结构编码的混合遗传算法来求解背包问题的有效性和实用性。     

基于二重结构编码遗传算法求解背包问题的研究

针对背包问题传统的解决方法有动态规划法、分支界限法、回溯法.传统的方法不能有效地解决背包问题.文中提出二重结构编码的遗传算法解决背包问题,是一种适合于在大量的可行解中搜索最优解的有效算法,在约束条件的处理上结合贪婪算法,既加快了算法的收敛速度,又克服了传统方法容易陷入局部最优的特点,提高了搜索效率.通过计算机仿真试验结果表明,二重结构编码的遗传算法比基本遗传编码有更好的近似解,充分证明了使用二重结构编码的混合遗传算法来求解背包问题的有效性和实用性.     

多目标动态车辆路径问题建模及优化

针对物流配送中动态车辆路径优化问题,综合考虑动态需求、路网影响、车辆共享、时间窗以及客户满意度,建立了多目标动态数学规划模型,该模型能更好地描述现代物流配送问题.同时,提出一种两阶段求解策略,第一阶段采用多目标混合粒子群优化算法获取预优化阶段Pareto最优解,采用改进的粒子状态更新策略并融合模拟退火操作提升粒子群搜索性能,采用自适应网格技术保持解的分布性;第二阶段对客户的需求变化采用贪婪插入和变邻域搜索进行实时路径调整.实验表明,该算法在解空间中有更好的探寻能力,并能快速收敛到全局最优,满足动态路径优化实时性要求.     

求解01背包问题的贪婪蛙跳算法

背包问题是经典的组合优化问题,被广泛应用于生活中的多个领域,如货物装载、预算控制、资源分配和资产管理等。因此,长期以来许多科学家在该领域不断钻研,并取得了丰硕的成果。尽管01背包问题已被研究多年,但由于该问题已被证明为NP完全问题,因此找到最优解并不容易。近年来,大量的智能算法不断被提出并被用来求解01背包问题,如化学反应优化算法、遗传算法、粒子群算法、蛙跳算法、人工蜂群算法、爬山算法和模拟退火算法等。通过对智能算法和01背包问题的探索,文中提出了贪婪蛙跳算法(GFLA)来解决01背包问题。不同于传统的蛙跳算法,GFLA总会在每次模因搜索过程中更新全局最优解,以便在接下来的全局搜索过程使用最新的全局最优解进行搜索,从而扩大解的搜索空间。除了蛙跳算法这类传统的局部搜索和全局搜索策略之外,针对01背包问题,在计算适应度值的阶段,本工作提出了贪心策略并分别将其应用于drop和add两个步骤。在drop阶段,若背包超重,则将其中价值密度最小的物品移出并更新解决方案。在add阶段,若背包还有承载物品的能力,则将未放入背包的重量最小的物品放入背包,并对背包信息进行更新。这样,便大大提高了利用蛙跳算法来求解01背包问题的能力。将贪婪蛙跳算法与蜂群算法、化学反应优化算法、遗传算法和量子演化算法进行对比,结果显示,贪婪蛙跳算法取得了最好的结果,从而表明了该算法是求解01背包问题的有效算法。     

基于免疫克隆选择算法的固定费用运输问题优化

固定费用运输问题（fcTP）是物流运输中的高级问题,属于NP难题,较难得到最优解。针对现有方法存在的不足,提出了基于免疫克隆选择的fcTP求解算法。在该算法中,抗体采用矩阵形式编码,初始抗体群随机产生,通过迭代进行克隆选择、克隆抑制、基因变异等操作,对潜在解空间进行寻优搜索。实验结果表明,对于fcTP的优化,免疫克隆选择算法能够快速收敛于全局最优解,克服了遗传算法收敛速度慢和容易陷入局部最优的缺点。     

求解TSP问题的改进混合蛙跳算法

针对TSP问题的特点,设计了一种求解TSP问题的改进的混合蛙跳算法。该算法改进了子种群青蛙个体优化的方式,而不仅是对最坏个体进行优化,这种方式可以有效提高算法的收敛速度。提出了青蛙个体翻转时依赖于全局最优解的“导优”概率和依赖于子种群局部最优解的“导次优”概率,进一步提高了算法寻找最优解的能力。在多个TSPLIB上的实验结果表明,该算法是可行有效的。     

一种嵌入式实时数据库系统查询优化算法

针对嵌入式实时数据库系统的特点,提出了一种新的连接顺序优化算法 (Greedy Iterative Improvement, GII)。该算法结合了贪婪算法和迭代改进算法的优点,能满足系统的实时要求,可以控制查询优化时间,比传统查询优化策略更好地适应不同类型事务的需要。模拟实验结果表明,该算法在穷举式搜索适用时,能以比它小得多的时间和内存开销找到最优解;在穷举式搜索无法实现优化时,GII算法生成解的质量也明显优于贪婪算法和迭代改进。     

一类求解带时间窗的团队定向问题的改进蚁群算法

带时间窗的团队定向问题是一类重要的物流配送路径优化问题,其优化目标是制定最优可行车辆路线,在规定的时间窗内服务一组顾客,以获得最大的总收益。提出了一类改进蚁群算法,用以求解该问题。为了提高解构造质量与效率,使用一种快速的方法来确定动态候选链表,并且利用串行法和贪婪法构造解。与迭代局部搜索相比,所提算法能够在12s内得到更好的解。     

基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。     

增强型的蚁群优化算法

旅行商问题是一个NP-Hard组合优化问题。根据蚁群优化算法和旅行商问题的特点,论文提出了对蚁群中具有优质解的蚂蚁个体所走路径上的信息素强度进行增强的方法,并同其他的优化算法进行了比较,仿真结果表明,对具有全局和局部最优解的个体所走路径上的信息素强度进行增强的蚁群优化算法比标准的蚁群优化算法和其他优化算法在执行效率和稳定性上要高。     

InSAR双星编队测绘卫星任务规划方法研究

针对双星编队干涉合成孔径雷达(Interferometric Synthetic Aperture Radar, InSAR)测绘任务的特点,考虑双星编队卫星平台的约束条件,采用多目标优化和基于优先级的遗传优化算法,实现了双星编队任务规划的各个关键步骤的设计,并对测绘任务进行了系统仿真,求取了测绘任务规划结果,最终获得了任务规划的最优解。经过与贪婪优化算法仿真结果对比分析,采用的基于优先级的遗传优化任务调度算法在双星编队卫星测绘任务优化问题求解方法方面具备明显的优势,卫星系统资源分配效能达到最优,对卫星资源的合理分配起到了关键作用。     

低约束密度分布式约束优化问题的求解算法

多Agent协作过程中的许多挑战都可以建模为分布式约束优化问题.针对低约束密度的分布式约束优化问题,提出了一种基于贪婪和回跳思想的求解算法.在该算法中,各Agent基于贪婪原则进行决策,能够利用低约束密度问题中大量赋值组合代价为0这一特点来加快求解速度.同时,Agent间的回跳机制可以在贪婪原则陷入局部最优时保证算法的完全性.相对于已有主流算法,该算法可以在保持多项式级别的消息长度/空间复杂度的前提下,以较少的消息数目求解低约束密度的分布式约束优化问题.给出了算法关键机制的正确性证明,并通过实验验证了算法的上述性能优势.