一种求解0-1背包问题的快速蚁群算法

0—1背包问题是典型的NP完全问题，且蚁群算法已成功地解决了许多组合优化的难题。因此，文中介绍一种基于蚁群算法求解0—1背包问题的算法，并对此算法进行优化，提出一种求解0—1背包问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间，有效改善了蚁群算法易于过早地收敛于非最优解的缺陷，当物品数较大时，也取得了较好的求解质量。仿真实验取得了较好的结果。     

基于蚁群算法的多维0-1背包问题的研究

系统地阐述了蚁群算法,并对它进行改进、优化。将蚁群算法应用于求解多维0-1背包问题,提出一种求解多维0-1背包问题的算法——多维0-1背包问题蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

求解0-1背包问题的量子蚁群算法

0-1背包问题是组合优化中经典的NP难题,在蚁群算法的基础上结合量子计算提出一种求解0-1背包问题的量子蚁群算法。算法采用量子比特表示信息素,用量子旋转门来更新信息素。大量数据实例的比较测试表明,算法可有效提高蚂蚁算法的性能,减少搜索时间,具有更好的全局寻优能力。     

蚁群算法求解多维0／1背包问题

0／1背包问题是一类典型的组合优化问题，并且是NP-完全的问题，研究它具有很重要的意义。本文针对多维0／1背包问题的特点，设计了二进制编码的有向图，使得蚁群算法可以应用到背包问题上。仿真结果表明，该蚁群算法在求解多维0／1背包问题上的是相当出色的。     

基于交换策略的蚁群算法求解多维0-1背包问题

在项目决策与规划、资源分配、货物装载等工作中,提出了多维0-1背包问题,对这一问题,国内外学者提出了许多算法。本文推广了文献[7]中求解单维0-1背包问题的蚁群算法,并从结合2-opt等局部优化的蚁群算法求解旅行商问题中得到启示：通过交换策略可以加快算法的收敛速度和获取更高质量的解,因此提出了基于交换策略的蚁群算法。再把这种算法与AIAACA算法进行比较,实验结果显示该算法与AIAACA算法效果相当,用时更少,是求解多雏0-1背包问题的有效算法。     

基于群体智能的0/1背包问题求解研究进展

0/1背包问题是运筹学中一个经典组合优化NP问题。在简要介绍0/1背包问题基础上,分析展望了0/1背包问题的应用前景。结合已有研究成果,总结并详细分析了蚁群算法、微粒群算法等群体智能算法在0/1背包问题求解方面具有的较好收敛速度、健壮性、稳定性、算法简单等优点。最后,针对群体智能算法在求解0/1背包问题过程中所出现的缺陷,提出了群体智能算法在0/1背包问题求解需要进一步解决的几个问题。     

基于蚁群系统的多选择背包问题优化算法

提出了一种用蚁群系统求解多选择背包问题的优化算法。该方法利用蚂蚁算法所具有的正反馈特性，再结合变异参数，使算法既有较快的求解速度又有较高的求解精度。实验结果表明，采用此算法能快速有效地解决背包问题。     

解0-1背包问题的蚁群算法

针对经典的0-1背包问题，提出一种基于解的相异度的新的蚁群优化算法，废方法引入信息量的局部更新机制，并根据解的相异程度确定解的交叉概率。数值实验计算表明，该算法加快计算速度的同时保证了解的多样性，具有较好的通用性。     

一种新的求解0-1背包问题的混合算法

该文汲取了蚁群算法（ACA）和抗体免疫克隆算法（AICA）的优点,提出了一种求解0-1背包问题的混合型算法,该算法充分利用了前者的搜索能力和后者的种群多样性。仿真实验对算法的部分参数进行了分析,并与其他文献的算法进行比较,结果表明,该算法是一种具有较高性能的混合优化算法。     

基于量子遗传算法的蚁群多目标优化研究

针对蚁群算法解决一些复杂多维问题的能力不强,容易陷入局部最优,造成算法早熟的情况.为解决上述问题,提出了一种用量子衍生方法的多目标蚁群算法,可用量子遗传算法的全局搜索和蚁群算法的群体智能机制,将蚁群优化与量子遗传算法相结合,用于多维0-1背包问题的求解.与同类算法进行对比分析,实验证明改进算法不仅能更快更精确地逼近Pareto最优前端,并能够维持Pareto最优解分布的均匀性,有效的提高了计算效率和搜索效率,且能弥补蚁群算法的不足.     

基于MapReduce的量子蚁群算法

量子蚁群算法是在蚁群算法的基础上结合量子计算而提出的,该算法具有较好的全局寻优能力和种群多样性。应用MapReduce的key/value编程模型,将量子蚁群算法并行化,提出了基于MapReduce的量子蚁群算法（MQACA）,并将其部署到Hadoop云计算平台上运行。对0-1背包问题的测试结果证明,随着数据规模的扩大和并行程度的提高,MQACA具有良好的加速比和并行效率。     

一种求解多维0-1背包问题的拟人算法

在项目决策与规划,资源分配,货物装载等工作中,提出了多维0-1背包问题,对这一问题,国内外学者提出了诸如模拟退火算法,遗传算法,蚁群算法及其它一些启发式算法等求解算法。该文提出了一种新的启发式求解算法。该算法使用了两个主要的思想策略,即依据物品单位容积价值的高低选择物品并对其进行标记的策略和拟人跳坑策略。用本文提出的算法,对55个测试算例进行了实算测试,得到了其中54个算例的最优解。测试结果表明,用该文提出的拟人算法求解多维0-1背包问题,计算结果的优度高,计算时间短,是求解此问题的有效算法。     

蚁群算法在考试安排中的应用

蚁群算法是一种新的进化算法，目前的研究表明该算法具有许多优良的性质，它为组合优化等问题提供了新的思路。利用蚁群算法对考试课程安排这一实际问题进行求解。综合了图论中的着色和运筹学中的背包问题。通过实例的解决和分析，说明了该算法的优越性。     

可控搜索偏向的二元蚁群算法

蚁群算法按照信息素轨迹产生的偏向对解空间进行搜索．当前改进蚁群算法性能的主要方法是提高种群的多样性,少有对搜索偏向进行控制．本文以可控搜索偏向作为研究的出发点,通过对至今最优信息素更新方式的分析,得出了从任意代到算法收敛没有发现较优解的概率下限．并以此为基础,把访问量与蚂蚁数量的关系作为控制偏向的依据,在兼顾提高种群多样性的前提下,设计了可控搜索偏向的二元蚁群算法．通过多个函数的测试以及0—1多背包问题的应用,其实验结果表明该算法有较好的搜索能力以及较快的收敛速度．     

改进蚁群算法在QoS组播路由中的应用

QoS组播路由是网络传输中的一项关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法。针对蚁群算法的缺点,提出了一种双向蚁群算法对该问题进行求解,并改进了蚁群算法的信息素更新策略。仿真实验表明,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大,算法保持了良好的特性。     

背包问题的蚂蚁优化算法

针对经典的背包问题,给出一种新的基于蚂蚁优化思想的求解算法。数值试验计算结果表明,该方法是行之有效的,并具有通用性。