一种求解背包问题的混合遗传微粒群算法.pdfVIP

总第 229期 计算机与数字工程 Vo1．36No．11 2008年第 l1期 Computer DigitalEngineering 4 一 种求解背包问题的混合遗传微粒群算法 李 剑 刘志明 (湖北第二师范学院计算机科学与工程系 武汉 430060) 摘 要 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。 关键词 微粒群算法 背包问题 启发式算法 中图分类号 TP18 A HybridGeneticParticleSwarm OptimizationforO一1 KnapsackProblem LlJian LiuZhiming (DepartmentofComputerScienceandEngineering，HubeiUniversityofEducation，W uhan 430060) Abstract Theknapsackproblem (KP)isaclassicwell—knownNP—hard combinatorialoptimization problem in scientificcomputing．Itisappliedin inventoryallocation andcargoloading．Thispaperemployed the geneticparticle swarm optimization，whichwasderivedfrom standardparticleswarm optimizationwithgeneticcoding，crossoverandmu— tationoperators．Toenhancethesearchingperformance，aheuristicalgorithm wasintroducedforgeneticparticleswarm optimization．Thealgorithm wasimplementedforwell—knownbenchmarkcases。andthesimulationresultshaveshown theinfeasibilityandeffectivenessofthealgorithm ． Keywords particleswarm optimization，knapsackproblem，heuristicalgorithm ClassNumber TP]8 群算法以及遗传微粒群算法对于KP问题的求解； 1 引言 然后设计了一种基于局部搜索的启发式 自学习算 背包问题 (Knapsackproblem，KP)已被证明 子并将之引入两种微粒群算法；最后通过与其他微 是一个 NP—hard问题，其搜索空间为 2N，其中N 粒群算法以及遗传算法等进行比较，实验数据显示 是备选物件的数量，其搜索空间随货物的数量指数 遗传微粒群算法具有收敛速度快、寻优能力强和稳 增长，若采用穷举法则计算时问也指数增长，造成 定的优点。 很难在短时问求得问题的精确解。目前求解 KP 2 背包问题描述与数学模型 问题精确算法主要有：分支定界法、动态规划法以 及隐枚举法等；启发式算法有：贪心算法、禁忌搜 KP可以描述为：在背包容量 固定的情况下， 索n]