粒子群解决背包问题.docVIP

PSO解决0-1背包问题 背包问题是经典的NP-hard组合约束优化问题之一，由于其难解性，该问题在信息密码学和数论研究中具有极重要的应用。通常求解背包问题的方法有基于深度优先搜索的回溯法、基于广度优先搜索的分支界限法、动态规划法和基于 SIMD共享存储的并行算法，这些都是很成熟的确定性优化方法。随着问题规模的增长，求解背包问题的时间复杂性增长非常快，因此，设计新的高效算法来求解背包问题，具有重要的理论和实际意义。 粒子群优化算法(Particle Swarm Optimization，PSO)是一种基于群智能的随机优化技术，在连续域优化问题中已经取得了比较成功的应用，但是在离散域优化上的应用相对较少，本文尝试利用粒子群优化算法求解0-1背包问题。 一、粒子群算法的基本原理 粒子群优化算法于1995年由Eberhart博士和Kennedy博士提出。在PSO算法中，每个优化问题的解都是搜索空间中的一个“粒子”，算法初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，第1个是粒子本身所找到的最优解，称为个体极值xBest，另一个极值是整个种群目前找到的最优解，称为全局极值gBest。 在基本粒子群优化算法中，粒子群在一个D维空间中搜索，粒子的总数为n，每个粒子的速度和位置按如下公式进行变化： 其中： ：第k次迭代后粒子i飞行速度矢