背包问题的一种新算法：降维递归算法.docxVIP

硕士学位论文 其中物品f如果被选中，则‘=l，否则五=0 (2)多约束背包问题(Multidimensional Knapsack Problem) 在许多实际问题中，对物品的选择不仅在总重量上有限制，有时对总体积有限制。这样就产生了有多个约束的背包问题。这类问题的数学模型为： (P)： m ax，=∑c tz‘ i=1 “‘毛a ex，≤6／(_，=1，2，?，肌) i≥D且取整数(i=1，2， ，n) 许多简单结构的有机组合构成了复杂结构，对简单问题的深入探索也使复杂问题问题的解决变得相对容易阳1。在设计解决大量的复杂组合优化问题时，背包问题往往作为子问题出现。如一般的多约束整数规划问题，通过适当的转换分解可化为背包问题。故背包问题的算法改进，对复杂组合的优化问题算法的改进是十分有益的。以下约定：本文所讨论的背包问题是指一般的背包问题(不包括0-1背包问题和多约束背包问题)。 即属于组合最合最优化问题。一般的最优化问题(optimization problem) 由目标函数(objective function)和约束条件(constraints)两部分构成： Minimize厂(工)=f(xl，X2， ，工。) Subject to x=(工l，x2，?，x玎)∈S c X 将满足所有约束条件的解空间S称为可行域(Feasible Region)，可行域中 的解称为可行解(Feasible Solution)；将可行域中使目标最小化的解称为最优 解(0ptimal Solution)。对最大化问题，可将目标函数乘以(-1)，转换为最小化问题求解。当X或S为离散集合构成的结空间时，这类最优化问题称为组合最 优化问题(Combinatorial 0ptimization Problem) 对于背包问题，已有的求解方法可分为精确算法(如枚举法，动态规划法，分支定界法，图论法等指数级算法)和近似算法¨们(如贪心算法，蚂蚁算法，遗传算法等)两大类。精确算法的特点是，所求得的解是最优解。精确算法的时间 复杂性是指数型H1(分支定界法是0(2”))的或不确定(动态规划算法O(bn))· 这一点可用来作为检验其近似他算法的精确性。与精确算法相比，近似算法计算复杂性都是多项式的。但就目前而言，近似算法多以领域知识确立规则，从而构成启发式规则，其算法依赖于具体问题。 所有的背包问题都属于NP—Hard问题n副，这就是说我们设计出背包问题的多 2 背包问题的一种新算法：降维递归算法 项式算法的可能性非常小。也即是说对于背包问题而言，我们除了枚举出整个解 空间而外就无法求得背包问题的精确解。但是应用一些普遍适用的技术手段，我 们的枚举可以变得相对容易许多。 3 硕士学位论文 2求解背包问题的几个算法简介 2．1贪婪算法 贪婪算法属于一步式启发算法，即每采用一个贪婪准则便做出一个不可撤回的决策。用贪婪算法求解背包问题的特点是每一步迭代选一物品入包，直到无法再装。该算法没有在两个可行解之问比较选择，算法结束时得到一个可行解。 解决背包问题的可能的3种策略： (1)从备选对物品中选择价值最大的个体，这种方法使背包价值尽可能地 增大： (2)从备选的物品中选择最轻的个体装入背包，使背包尽可能多装物品； (3)选择单位价值最大的物品装入背包； 上述三种策略中第三种认为最合理。 贪婪算法的基本思想是从局部的最优出发，即：首先让作用价值最大的物品尽可能的多放，然后再考虑作用价值次大的物品， 如此反复，直至装不下任何物品．该算法的特点是：简单而快捷，特别当问题的最优解只能用穷举法得到时，用贪婪算法是寻找问题近似解的较好算法。 下面我们用一个例子来说明该算法： 例1： max f=5xl+12心+13心-t-8‘ S．t．4五十6娩+7恐+9托=1 7 Xi≥0且为整数(f=1，2，3，4) 解： 对问题的变量按序列{eJ=Ci／tz)，歹=1，2， n)的非增顺序进行排列 得到： max厂=12X2+13X3+5Xl++8X4 S．t．6X2+7义，3+4Xv+9彳-=17 t≥。且为整数(i=1,2,3,4) 令x：=[詈]=2， 剩余的容量为 4 背包问题的一种新算法：降维递归算法 17—6 2=5，其中【X】表示不大于z的最大整数。再令置--I；5 l=o， 剩余 L，J r气1 的容量仍然为5，再令x。=I÷|-1，剩余的容量为5二4×1=l，再令 L4J 厂1 1 x．=I言I-o，剩余的容量仍然为1。这样就得到一1_近似解 五=1，置=2，置=O，置=0 其 近 似 值 为 f=2×12+0×1 3+1×5+0×8=29 口 贪婪算法的求解效率非常之高，不少专家学者仍然寄希望于这种算法，力图 改进它。1977年Richard Loul