基于贪心遗传算法求解0-1背包问题

在解决0-1背包问题中,将贪心算法和遗传算法相结合,提出了贪心遗传算法。通过算法构造出更优的新算子,与原有算子相比,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,贪心遗传算法相比普通的遗传算法具有更好的近似解,充分证明了贪心遗传算法来求解背包问题的有效性和实用性。     

改进的遗传算法求解背包问题

为提高遗传算法在解决背包问题时的局部搜索能力,在遗传算法中加入禁忌搜索的思想,用遗传算法做全局搜索,禁忌搜索辅助做局部搜索。文中阐述了遗传算法和禁忌搜索算法的基本思想,并给出了适用于背包问题的模型。通过具体事例测试改进的算法,其结果表明改进后的遗传算法拥有更好的性能和更快的收敛速度。     

基于改进模拟退火的遗传算法求解0-1背包问题

引入改进的模拟退火思想来改进遗传算法.本算法结合了遗传算法和模拟退火算法的优点,并有效地克服了各自的弱点,使其在优化性能、优化效率和可靠性方面具有明显的优越性.运用本算法求解不同种群规模的0-1背包问题,数值试验结果表明,算法既具有较快的收敛速度,又能够收敛到最优解,优于遗传算法和模拟退火算法.     

改进粒子群算法在背包问题中的应用

文章在对背包问题进行研究分析的基础上,采用基本粒子群算法、带惯性权重和带收缩因子的改进型粒子群算法来分别解决0/1背包问题,讨论了参数变化对于算法性能和结果的影响,通过多次试验,最终得出了所给的背包问题的最优解,与已知问题最优解一致。     

基于模拟退火思想改进的粒子群算法求解背包问题

针对典型的背包问题,给出了一种基于粒子群算法的求解方法。考虑到粒子群算法在解决问题时容易陷入局部最优的缺点,将模拟退火（SA）思想引入到了粒子群算法中,得到了粒子群——模拟退火算法。该算法保持了粒子群算法原有的简单易实现特点,同时改善了粒子群算法易陷入局部最优的缺点。实验结果表明,该算法具有较好的求解质量。     

一类0-1背包问题的启发式网络策略模型与算法

针对遗传算法(GA)易陷入局部最优解、搜索精度低等缺点,提出了网络启发式策略的遗传算法(NSHGA),并将其成功地应用于0-1背包问题的求解。该算法采用网络节点关联策略,使算法具有良好的全局寻优能力。同时引入网络节点矩阵优化,利用其精细的局部遍历搜索性能,使算法具有较高地搜索精度。实例仿真结果表明,NSHGA算法可有效避免基本GA算法的早熟收敛,且具有寻优能力强、搜索精度高等特点。此外,与基本遗传算法仿真相比,可明显提高0-1背包问题求解的精度。     

改进帕累托算法求解超大规模多选择背包问题

实际生产生活中大量多选一的问题都可以转为多选择背包问题（MCKP）,但MCKP是一个经典的NP难问题,因此对于超大规模MCKP而言,往往只能利用粒子群算法、狼群算法、鱼群算法等群智能算法对问题进行求解.对于群智能算法而言,高效快捷的贪心算法对于初始解的生成起着至关重要的作用.基于凸帕累托算法（CPA）,提出一种能够快速求解线性支配子集的改进帕累托算法（IPA）.IPA首先选择各类项集的质量最小项,然后计算所有物品的价值密度,最后按照价值密度从高到低选择对物品进行贪心选择,若贪心选择项的价值大于其所在项集原有选择项,则进行迭代.仿真实验结果表明：IPA相比于CPA,求解速度平均提升98.86%.且PSO-IPA求解精度平均提升28.92%.     

量遗传算法及其在无约束优化问题中的应用

量子遗传算法（QGA）是量子计算和遗传算法相结合的产物，将量子的态矢量表示引入到遗传算法中，具有比遗传算法更好的搜索效率和收敛性。本文首先介绍了量子遗传算法的基本原理，讨论了基于量子遗传算法的一系列改进，然后将量子遗传算法应用于无约束优化问题，实例计算表明了算法在该类问题中的有效性和可行性。     

背包问题——之最优性价比法

背包问题是算法分析中的一个典型的问题,已经得到了各种解决方法。但是一个问题在学术上的研究是无止境的,本文正是基于这样的一种精神,提出了最优性价比法来重新研究和解决这个问题。     

改进的遗传算法在频率分配上的应用

由于蜂窝移动通信网络中可用的频率资源是有限的,为了有效利用这些频率资源来满足不断增加的客户需求,因此获得一种较优的频率分配方法就显得非常重要。提出了一种改进的遗传算法,该算法采用了新的选择策略和交叉策略,并且在选择个体时还采用了精英保护机制。仿真结果表明,改进后的算法能够很好地解决频率分配问题。它有效地保证了种群中个体的多样性,而且不仅提高了算法的收敛率,还加快了收敛速度。     

解Job－Shop调度问题的一个遗传算法

本文首先介绍了遗传算法的基本概念和流程，然后叙述了如何把Ｊｏｂ－Ｓｈｏｐ调度问题编码成为遗传算法的形式，并解释了对于实现这一算法中一些问题的考虑．最后给出了算法运行结果并对结果与算法做了总结。     

一种基于遗传算法的图像恢复

提出一种改进的二维遗传算法用于图像恢复。分析图像恢复的基本原理 ,给出遗传操作的具体步骤。实验结果表明 ,本方法可以得到较好的恢复结果。     

求解0/1背包问题的人工鱼群算法

本文将人工鱼群算法应用于解决0/1背包问题,利用人工鱼群算法的求解思想,对0-1背包问题进行了详细的分析,通过仿真实验与文献中的算法进行了比较,结果表明,本文的人工鱼群算法得到的最优解和平均解都要优于文献中的算法。     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.