改进二进制和声搜索算法求解多维背包问题

和声搜索（HS）是一种已广泛应用于连续优化问题的元启发式方法。针对典型的组合优化问题——多维背包问题（MKP）,提出一种改进二进制和声搜索（IBHS）算法。算法通过伯努利随机过程生成二进制群体,在候选和声生成算子中,引入动态自适应参数,通过算法参数的自适应调整来协调算法的全局搜索和局部搜索,并提出一种新的更有效的衡量商品多维加权价值密度的方法用于二进制个体修正和优化;引入精英局部搜索机制进行协同寻优,提高IBHS的收敛速度。通过求解10组不同规模的典型多维背包算例和与贪心二进制狮群优化（GBLSO）算法、改进的差分演化（MBDE）算法以及二进制修正和声（BMHS）算法的对比分析,实验结果表明,所提算法在求解MKP时有具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

求解0-1背包问题的二进制狮群算法

针对传统二进制群智能算法求解0-1背包问题易陷入局部最优、收敛速度慢的缺点,提出一种新的解决离散空间问题的二进制狮群算法BLSO。二进制狮群算法对狮王、母狮和幼狮的位置重新定义,引入反置运算、移动算子和学习算子建立全新的位置转移方式和局部搜索规则;加入贪心策略进行解的可行化处理和充分利用,增强局部搜索能力,进一步提高收敛速度。对9个典型的0-1背包算例进行仿真实验,实验结果表明,该算法不仅可以有效求解0-1背包问题,而且还能够以较快的速度搜索到精度较高的次优解甚至全局最优解,具有较好的稳定性;同时,对高维背包问题的求解与参考算法相比,在寻优时间和精度上更具优势。     

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。     

改进的差分演化算法求解多维背包问题

多维背包（MKP）是组合优化中一个典型的NP难问题,广泛应用于工程和管理中。提出了一种改进的二进制差分演化算法（Modified Binary Differential Evolution algorithm,MBDE）求解MKP问题,算法关键步骤可分为两部分：二进制群体生成;得到候选可行解。提出了一种有效的衡量商品价值密度的方法用于对二进制个体修正和优化;设计了反向测试搜索和精英局部搜索策略来提高算法探索和开发能力,从而进一步提高了MBDE的求解精度和收敛速度。为验证MBDE算法的有效性,进行了三组实验,并和近期提出的解决MKP问题的其他启发式算法进行了比较,实验结果显示,MBDE算法求解精度更高。从算法运行时间看,求解速度快,非常适合求解大规模的MKP问题。     

求解0-1背包问题的混合蝙蝠算法

针对基本蝙蝠算法易陷入局部最优、收敛速度慢等缺点,对其进行优化研究。基于0-1背包问题的具体特征,在基本蝙蝠算法原有概念和框架的基础上,引入遗传算法中的交叉机制以及反置算子建立全新的位置转移方式和局部搜索规则;加入贪心策略进行解的可行化和充分利用,增强局部搜索能力,加快算法收敛速度,构建全新的混合蝙蝠算法。将混合蝙蝠算法应用于两组0-1背包算例,仿真实验结果优于自适应元胞粒子群算法、基本蝙蝠算法和贪心二进制蝙蝠算法。结果验证了该混合算法求解0-1背包问题的可行性和有效性。     

求解0-1背包问题的混沌二进制乌鸦算法

针对离散空间的最优化问题,提出了二进制乌鸦算法,并在初始解中利用Chebyshev映射产生两种混沌序列优化乌鸦的初始解,保证个体的初始位置在整个搜索空间均匀分布;然后,为快速有效地求解0-1背包问题,引入贪心修复与优化策略处理非正常编码个体,得到基于混沌理论的二进制乌鸦算法（chaotic binary crow search algorithm,CBCSA）。仿真实验表明,CBCSA具有良好的全局寻优能力和收敛速度,能快速求得最优解,且混沌序列的第一映射方式比第二映射方式性能更佳。     

改进二进制布谷鸟搜索算法求解多维背包问题

针对多约束组合优化问题--多维背包问题(MKP),提出了一种改进二进制布谷鸟搜索(MBCS)算法.首先,采用经典的二进制代码变换公式构建了二进制布谷鸟搜索(BCS)算法.其次,引入病毒生物进化机制和病毒感染操作,一方面赋予布谷鸟鸟巢位置自变异机制增加种群多样性;一方面将布谷鸟鸟巢位置所组成的主群体的纵向全局搜索和病毒群体的横向局部搜索进行动态结合,进一步提高了算法的收敛速度,降低了陷入局部极值的概率.再次,针对MKP特点设计了不可行解的混合修复策略.最后将MBCS算法同量子遗传算法(QGA)、二进制粒子群优化(BPSO)算法、BCS算法就来源于ELIB数据库和OR_LIB数据库的15个算例进行了仿真对比.实验结果表明,所提算法计算误差均小于1%,标准差小于170,相比这3种算法具有相对更好的寻优精度和求解稳定性,是一种求解多维背包等NP难问题有效的算法.     

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.     

电动汽车分时租赁用户预约分配问题的新型电磁场优化算法求解

针对电动汽车电量对于行驶里程的限制问题,建立用户预约分配模型,以得到利润最大时的订单分配结果。该类问题属于NP-hard问题,求解具有一定困难。因此,设计一种新型离散电磁场优化算法求解方法。在基本电磁场优化算法的基础上使用二进制编码方式,改变粒子移动方式,并对负电磁场中的电磁粒子增加更新过程。将提出的新算法与遗传算法、二进制粒子群算法、改进二进制布谷鸟算法及二进制狮群算法进行对比,数值实验表明新算法具有更高的计算效率。此外,与传统分配模型相比,新订单分配模型能够获得更高的利润,说明了该模型的有效性。     

改进的飞蛾扑火优化算法在网络入侵检测系统中的应用

针对当前网络入侵检测中的数据量较大、数据维度较高的特点,将飞蛾扑火优化（MFO）算法应用于网络入侵检测的特征选择中。鉴于MFO算法收敛过快、易陷入局部最优的问题,提出一种融合粒子群优化（PSO）的二进制飞蛾扑火优化（BPMFO）算法。该算法引入MFO螺旋飞行公式,具有较强的局部搜索能力;结合了粒子群优化（PSO）算法的速度更新方法,让种群个体随着全局最优解和历史最优解的方向移动,增强算法的全局收敛性,从而避免易陷入局部最优。仿真实验以KDD CUP 99数据集为实验基础,分别采用支持向量机（SVM）、K最近邻（KNN）算法和朴素贝叶斯（NBC）3种分类器,与二进制飞蛾扑火优化（BMFO）算法、二进制粒子群优化（BPSO）算法、二进制遗传算法（BGA）、二进制灰狼优化（BGWO）算法和二进制布谷鸟搜索（BCS）算法进行了实验对比。实验结果表明,BPMFO算法应用于网络入侵检测的特征选择时,在算法精度、运行效率、稳定性、收敛速度以及跳出局部最优的综合性能上具有明显优势。     

求解旅行商问题的改进局部搜索混沌离散粒子群优化算法

针对基本离散粒子群优化(DPSO)算法收敛速度慢、易于陷入局部最优等问题,提出了一种基于优秀系数的局部搜索混沌离散粒子群优化(ILCDPSO)算法并用于求解旅行商问题(TSP)。基于轮盘赌选择原理,给每段路径设定一个合理的优秀系数,以提高短边被选择的概率,从而有利于提高算法的寻优能力和收敛速度;为了进一步提高解的精确性,在算法机制中添加了局部搜索策略,通过调整每个城市在给定邻域内的城市路径,提高算法的局部搜索能力;另外,在算法的迭代公式中加入了混沌序列来提高粒子的随机性和多样性,增强了算法的全局搜索能力。最后用国际通用的TSP数据库(TSPLIB)中的若干经典实例对算法进行了测试,并与粒子群优化(PSO)算法、改进的PSO(IPSO)算法和混沌PSO(CPSO)算法等进行了比较。实验数据显示,在相同的实验条件下,与其他算法相比,ILCDPSO算法获得最优解的平均迭代次数较少且获得最优解的次数比例最高。研究结果表明,加入优秀系数后,ILCDPSO算法在收敛速度、全局寻优能力以及稳定性方面均优于其他算法。     

基于二进制具有量子行为的粒子群算法的多边形近似

提出了适合二进制搜索空间的具有量子行为的粒子群优化算法（BQPSO）。在二进制环境中重新定义粒子的位置向量及距离向量，调整了QPSO算法的进化公式。用二进制具有量子行为的粒子群算法求解平面数字曲线的多边形近似，解决了传统BPSO算法中粒子搜索范围受限的问题。用2条通用benchmark曲线进行测试，结果表明，该算法较BPSO加快了收敛速度，在相同的容忍误差和迭代次数下找到了更少顶点的多边形。     

融合学习心理学的人类学习优化算法

针对简单人类学习优化（SHLO）算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法（LPHLO）。首先,结合学习心理学中的小组学习（TBL）理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法（GA）和二进制粒子群优化（BPSO）算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

Essential Particle Swarm Optimization queen with Tabu Search for MKP resolution

The Particle Swarm Optimization (PSO) algorithm is an innovative and promising optimization technique in evolutionary computation. The Essential Particle Swarm Optimization queen (EPSOq) is one of the recent discrete PSO versions that further simplifies the PSO principles and improves its optimization ability. Hybridization is a principle of combining two (or more) approaches in a wise way such that the resulting algorithm includes the positive features of both (or all) the algorithms. This paper proposes a new heuristic approach such that various features inspired from the Tabu Search are incorporated in the EPSOq algorithm in order to obtain another improved discrete PSO version. The implementation of this idea is identified with the acronym TEPSOq (Tabu Essential Particle Swarm Optimization queen). Experimentally, this approach is able to solve optimally large-scale strongly correlated 0–1 Multidimensional Knapsack Problem (MKP) instances. Computational results show that TEPSOq has outperforms not only the EPSOq, but also other existing PSO-based approaches and some other meta-heuristics in solving the 0–1 MKP. It was discovered also that this algorithm is able to locate solutions extremely close and even equal to the best known results available in the literature.     

基于新颖S型转换函数的二进制粒子群优化算法求解具有单连续变量的背包问题

为了高效求解具有单连续变量的背包问题（KPC）,首先基于高斯误差函数提出了一个新颖S型转换函数,给出了利用该转换函数将一个实向量转换为0-1向量的新方法,由此提出了一个新的二进制粒子群优化（NBPSO）算法;然后,利用KPC的第二数学模型,并且把NBPSO与处理KPC不可行解的有效算法相结合,提出了求解KPC的一个新方法。为了检验NBPSO求解KPC的性能,利用NBPSO求解四类大规模KPC实例,并把所得计算结果与基于其他S、V型转换函数的二进制粒子群优化算法（BPSO）、具有混合编码的单种群二进制差分演化算法（S-HBDE）、具有混合编码的双种群二进制差分演化算法（B-HBDE）和二进制粒子群优化算法（BPSO）等的计算结果相比较。比较结果表明NBPSO不仅平均计算结果更优,而且稳定性更佳,说明NBPSO的性能比其他算法有显著提升。