一种求解动态背包问题的离散粒子群优化算法

动态背包问题(DKP)是一类经典的动态优化问题,可以用来描述许多实际的问题。迄今为止,针对动态背包问题的研究主要集中在遗传算法上,而对粒子群优化算法的研究较少。在离散粒子群优化模型的基础上,引入环境变化的探测以及环境变化后的响应机制,提出一种求解动态背包问题的离散粒子群优化算法(DSDPSO)。将该算法和现有经典的自适应原对偶遗传算法(APDGA)在两个动态背包问题上进行了对比实验,结果表明,DSDPSO算法在环境变化后能迅速地找到最优解并稳定下来,更适合于求解动态背包问题。     

基于遗传粒子群优化的嵌入式系统软硬件划分算法

针对单处理器嵌入式系统软硬件划分问题,采用带权有向无环图进行建模,并将之约简,进而转换为多约束条件的0/1背包问题求解.由于基本粒子群优化算法无法求解0/1背包问题,故将遗传算法中的交叉、变异思想引入粒子群优化算法,提出了求解离散组合优化问题的遗传粒子群优化(GPSO)算法,采用两点交叉算子和非均匀变异算子对粒子的位置和速度更新方法进行了重新定义.实验结果表明,采用文中算法能有效地解决软硬件划分问题,具有良好的全局搜索能力,其寻优能力和执行时间优于遗传算法和模拟退火算法.     

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。     

差分进化变异策略rand/3/bin求解0-1背包问题

0-1背包问题是背包问题中的基础也是最为经典的一大分支,其组合优化模型被广泛的应用于社会生产生活的各个领域,对NP完全问题的求解有重要价值.传统的启发式算法如遗传算法、基本差分进化算法、粒子群算法,在解决相同0-1背包问题时,差分进化算法在解决离散型0-1背包问题时收敛更快,但存在早熟问题.论文从启发式算法角度出发,结合差分进化算法中变异策略的特点,提出一种新的变异策略rand/3/bin求解方法,与遗传算法、粒子群算法、采取两种变异策略的差分进化进行性能对比实验(实验测试数据已公开在Github),结果表明:该算法实现了相对于原有实验收敛更快和结果更优的结果,具有良好的应用价值.     

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.     

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.     

求解随机时变背包问题的精确算法与进化算法

随机时变背包问题(RTVKP)是一种新的动态背包问题,也是一种新的动态组合优化问题,目前它的求解算法主要是动态规划的精确算法、近似算法和遗传算法.本文首先利用动态规划提出了一个求解RTVKP问题的新精确算法,对算法时间复杂度的比较结果表明:它比已有的精确算法更适于求解背包载重较大的一类RTVKP实例.然后,分别基于差分演化和粒子群优化与贪心修正策略相结合,提出了求解RTVKP问题的两个进化算法.对5个RTVKP实例的数值计算结果比较表明: 精确算法一般不宜求解大规模的RTVKP实例,而基于差分演化、粒子群优化和遗传算法与贪心修正策略相结合的进化算法却不受实例规模与数据大小的影响,对于振荡频率大且具有较大数据的大规模RTVKP实例均能求得的一个极好的近似解.     

求解背包问题的更贪心粒子群算法

将粒子群算法与贪心思想相融合,提出一种用于求解0/1背包问题的更贪心混合粒子群算法。对超过背包重量约束的粒子的处理措施是去掉已经装进去且性价比最差的物品,直至满足重量约束为止,这种思想在改善粒子质量的同时避免了通常罚函数方法中敏感的参数选择问题;对当前可行粒子的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止。通过与文献中基于经典算例的计算结果比较表明,更贪心粒子群算法无论在寻优能力、计算速度和稳定性方面都超过了文献中提到的混合遗传算法（HGA）、贪心遗传算法（GGA）和混合粒子群算法（GBPSOA）。     

离散杂草优化算法在0/1背包问题中的应用

为解决粒子群优化算法在求解0/1背包问题中的早熟收敛问题,将杂草优化算法应用到离散问题,提出了一种离散杂草优化算法(DIWO)。根据组合优化问题的特点,对原算法中正态分布于父代周围的子代进行离散化分析,引入遗传操作中的一种改进的变异机制,保证了新算法的有效性,使其具有局部的随机搜索能力。通过三个仿真实例验证,对比粒子群算法,新算法在种群数量较小、迭代次数较少的情况下能取得更好的结果。     

基于编码转换的离散演化算法设计与应用

为了利用演化算法求解离散域上的组合优化问题,借鉴遗传算法（GA）、二进制粒子群优化（BPSO）和二进制差分演化（HBDE）中的映射方法,提出了一种基于映射变换思想设计离散演化算法的实用方法——编码转换法（ETM）,并利用一个简单有效的编码转化函数给出了求解组合优化问题的离散演化算法一般算法框架A-DisEA.为了说明ETM的实用性与有效性,首先基于A-DisEA给出了一个离散粒子群优化算法（DisPSO）,然后分别利用BPSO、HBDE和DisPSO等求解集合联盟背包问题和折扣{0-1}背包问题,通过对计算结果的比较表明：BPSO、HBDE和DisPSO的求解性能均优于GA,这不仅说明基于ETM的离散演化算法在求解KP问题方面具有良好的性能,同时也说明利用ETM方法设计离散演化算法是一种简单且有效的实用方法.     

一种具有双重进化空间的扩展粒子群优化算法

为了使粒子群优化(PSO)适于求解更多类问题,提出一种由动力空间和制导空间共同进化的改进粒子群优化算法-具有双重进化空间的扩展粒子群优化算法(简记EPSO).在EPSO中,在演化转换映射的作用下,首先将动力空间中对粒子辅助位置的进化转换为制导空间中对主导位置的进化,然后基于对主导位置的择优选择操作实现算法的进化过程.EPSO克服了PSO仅适于求解连续域最优化问题的缺陷,也非常适于求解离散组合优化问题.对于随机3-SAT问题、背包问题和TSP问题,通过与PSO、ACO和GA等算法的计算对比表明:EPSO是一种继承了PSO优点的高效、扩展演化算法.     

基于文化进化的并行粒子群算法

为了改善粒子群算法对大规模问题求解的性能,提出一种基于文化进化的并行粒子群算法,阐述了该算法的原理和具体实施方案。选取背包问题作为算法的应用对象,通过对仿真实例进行计算和结果比较,表明该算法在最优值、求解速度、稳定性等方面具有较好的 效果。     

基于有导向变异算子求解多维背包问题

多维背包问题(MKP)是经典的NP难的组合优化问题。引入有导向变异算子的进化算法GM-EA(Guided Mutation EA)来求解该问题,通过结合粒子群优化的方法改进郭涛算法,更好地利用种群中的全局信息,取得较好的效果。实验结果表明GM-EA是求解MKP有效的算法。     

多序列比对问题的粒子群优化算法求解

文章提出了一新的算法,利用粒子群优化算法求解多序列比对的问题,这是粒子群优化算法在生物信息学方面的一个新的应用。文章从粒子群算法的原理和多序列比对问题模型入手,来提出怎样改造粒子群优化算法使其可以解决多序列比对问题,最后给出利用粒子群优化算法求解多序列比对的算法,及其测试结果。     

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.     

求解背包问题的混合粒子群优化算法

提出一种新的遗传思想：父代的基因决定子代继承某一基因的概率,而不是由单纯的交叉产生子代。根据此思想,提出两种利用遗传概率产生子代的方法,并将它们分别与粒子群优化算法相结合得到两种求解背包问题的混合粒子群优化算法。通过数值实验说明了同样的算法采用遗传策略要比交叉策略寻优性更强,分析了变异概率对算法的影响。     

一种改进的求解TSP混合粒子群优化算法

为解决粒子群算法在求解组合优化问题中存在的早熟性收敛和收敛速度慢等问题,将粒子群算法与局部搜索优化算法结合,可抑制粒子群算法早熟收敛问题,提高粒子群算法的收敛速度。通过建立有效的局部搜索优化算法所需借助的参照优化边集,提高了局部搜索优化算法的求解质量和求解效率。新的混合粒子群算法高效收敛于中小规模旅行商问题的全局最优解,实验表明改进的混合粒子群算法是有效的。     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

基于离散粒子群优化算法求解矩形件排样问题

改进了一种近似排样算法,并将改进的近似排样算法与离散粒子群优化算法结合求解矩形件排样问题.设计了应用离散粒子群优化算法求解矩形件排样问题的相关操作和定义,给出了离散粒子群优化算法求解矩形件排样问题的详细步骤,最后通过实验测试,验证了算法的有效性.     

离散粒子群优化算法求解旅行商问题

在优化领域,粒子群算法适用于求解连续优化问题,而在离散优化上的应用还相对较少。本文在介绍基本粒子群优化算法的基础上,分析了粒子群优化算法在经典旅行商问题 中的应用性能及粒子群算法求解旅行商问题的相关操作。使用Ulysses等标准TSP测试数据进行了相关实验,并通过不同的参数设置对实验结果进行了性能分析和比较。