搜索到1500 篇“ 背包问题 “的相关文章
0-1背包 问题 上界的快速计算方法 2025年 背包 问题 上界求解的速度与精确度,分析了拉格朗日松弛方法构造的精确0-1背包 问题 上界模型,建立了该模型的快速求解算法,证明了精确0-1背包 问题 上界是拉格朗日乘子的凸函数。由此,提出了精确0-1背包 问题 最小上界的求解方法,证明了精确0-1背包 问题 上界是物品数的单峰函数,且0-1背包 问题 的上界恰好等于物品数为关键物品数(关键物品数-1)时精确0-1背包 问题 最小上界的最大值。结果表明:该计算方法所需计算量与背包 问题 物品数成比例,计算速度较快,上界相对较小。通过6500例不同上界计算实验对比,提出的上界计算所需时间约为其他较优算法的15.1%;上界占优比例94.29%,而其他较优算法占优比例仅68.71%。进一步表明该上界算法可以快速构造较好的近似解,从而降低0-1背包 问题 的维数。关键词：组合优化问题 上界 拉格朗日松弛 融合强化学习的分阶段策略求解旅行背包 问题 2025年 背包 问题 TTP是传统的旅行商问题 和背包 问题 的结合,属于NP难问题 。相较于独立的旅行商问题 和背包 问题 ,旅行背包 问题 更加符合现实情况,具有更高的研究价值。先前的TTP求解算法主要为启发式算法,性能有限,其他类型的算法则研究较少。为了提高TTP的求解性能,提出了融合强化学习的算法,采用分阶段策略。第1阶段根据物品的属性生成物品选择计划,第2阶段利用强化学习演员-评论家(Actor-Critic)算法求解旅行路径,第3阶段引入邻域搜索策略优化所得解。实验结果表明,所提算法在大部分算例上都取得了较好的结果,并且在部分算例上,解的质量超越了其他对比算法,表明了所提算法具有较优的性能。关键词：组合优化 三种带收益惩罚的背包 问题 研究 背包 问题 (Knapsack Problem,KP)是一类NP-难的组合优化问题 ,背包 问题 及其衍生问题 一直是研究的重点和难点,被广泛应用于资源分配、生产调度、材料切割、资本计算等场景,具有重要的理论意义和使用价值.随着对背...关键词：背包问题 多选择背包问题 物品具有可变收益值和带惩罚的背包 问题 背包 问题 是运筹学领域中一类重要的NP-难组合最优化问题 ,被广泛应用到工业生产、股市投资、信息安全、资源分配、物流运输等领域.尽管已有广泛的文献对背包 问题 进行研究,但只有很少的文献将对背包 中物品的惩罚考虑在内,即放入...机会约束的多选择背包 问题 的遗传算法求解 2024年 背包 问题 (CCMCKP)是一类具有重要应用价值的NP难组合优化问题 ,但目前还缺乏关于该问题 求解方法的专门研究。为此,提出首个CCMCKP的求解框架,并基于该框架构建了两种求解方法:基于动态规划的RA-DP和基于遗传算法的RA-IGA。RA-DP是精确求解方法,具有最优性保证,但是在可接受的时间(1 h)内仅能求解小规模问题 样例;相较而言,RA-IGA是近似求解方法,具有更好的可扩放性。仿真实验结果验证了所提求解方法的性能:在小规模问题 样例上,RA-DP和RA-IGA都可以找到最优解;在中大规模问题 样例上,RA-IGA表现出了比RA-DP显著更高的求解效率,它总是可以在给定时间(1 h)内快速获得可行解。在CCMCKP的后续研究中,RA-DP和RA-IGA可作为基准对比方法,而实验工作中所构建的测试样例集可作为该问题 的标准测试集。关键词：组合优化问题 遗传算法 动态规划 多维背包 问题 的启发式算法研究探讨 被引量：1 2024年 背包 问题 是NP难组合优化问题 ,其模型及算法近年来在众多领域得到了广泛应用。本文主要探讨多维背包 问题 的启发式求解算法,通过对相关文献进行研究,阐述现有算法的优缺点,针对多维背包 问题 设计更高效的启发式求解算法,为其提供新的思路和参考。关键词：多维背包问题 组合优化 启发式算法 多维背包 问题 的新型人类学习优化算法 被引量：1 2024年 背包 时精度低、稳定性差、特别是无法有效求解超大规模算例等问题 ,提出一种新型人类学习优化算法。首先,基于认知心理学中的记忆理论,在基本人类学习算法中采用哈希函数表示人类在学习过程中的记忆行为,避免重复搜索,提高算法搜索群体多样性;其次,采用认知心理学中的对比认知理论对学习算子选择策略进行自适应调整;最后,采用变邻域搜索操作提升算法局部搜索能力。采用小规模、中等规模、大规模、超大规模共76个多维背包 问题 的标准测试数据集进行数值实验,并将新算法和二进制粒子群算法、遗传算法、人类学习算法以及融合学习心理学的人类学习算法进行比较。结果表明新算法能够有效求解四种规模算例。与其他算法相比,新算法具有更高的寻优精度和更好的稳定性。此外,对提出的三种优化策略进行分析,测试其对提高算法搜索性能的有效性。关键词：认知心理学 哈希函数 多维背包问题 自记忆的深度强化学习模型求解多维背包 问题 2024年 背包 问题 维度高,约束强的特点提出了自记忆的学习优化模型(self memorized learn to improve,SML2I),通过深度强化学习的学习机制选择迭代搜索过程中的算子即模型学习当前的解以及历史搜索过程中的解,判断对当前解采用提升策略或者是扰动策略,在此基础上,进一步提出了哈希表与设计了2种有效的基于价值密度的扰动算子.使用哈希表记录历史搜索过程中的解,防止模型重复探索相同的解,基于价值密度的扰动策略生成的新解与之前的解决方案完全不同,因此针对扰动后的解再次采用提升策略同样有效,通过测试89个MKP数据集并与其他文献中先进的求解方法进行对比,实验结果验证了SML2I模型求解MKP问题 的可行性与有效性.关键词：多维背包问题 增强型群论优化算法求解折扣{0-1}背包 问题 2024年 问题 。为了进一步提高GTOA求解折扣{0-1}背包 问题 (D{0-1}KP)的性能,首先指出了它的随机线性组合算子(RLCO)未能充分考虑当前个体位置信息的不足,基于个体基因保留策略对其进行改进。然后,在随机反向变异算子(IRMO)中引入增强0分量变异策略,用于处理因个体0分量无法及时变异而导致的解的质量下降、种群多样性降低等问题 。在改进上述两个算子的基础上,提出了增强型GTOA(EGTOA),并基于它给出求解D{0-1}KP的新方法。随后,将改进策略应用于二进制GTOA(GTOA-2),提出了增强型GTOA-2(EGTOA-2)及其求解D{0-1}KP的新方法。为了验证EGTOA和EGTOA-2的性能提高程度与优异性,分别利用它们求解四类大规模D{0-1}KP实例,通过与GTOA、GTOA-2以及求解D{0-1}KP的已有8个最先进算法的比较表明:EGTOA和EGTOA-2求得最优解的能力比GTOA和GTOA-2提高了至少1.14倍,比8个最先进算法提高了5%~60%,它们的平均性能比GTOA、GTOA-2以及8个最先进算法的性能更佳。因此,EGTOA和EGTOA-2是当前求解D{0-1}KP的最佳算法。关键词：组合优化问题 基于局部搜索算法求解集合联盟背包 问题 和预算最大覆盖问题 背包 问题 （Set-Union Knapsack Problem,SUKP）和预算最大覆盖问题 （Budgeted Maximum Coverage Problem,BMCP）是著名的背包 问题 、集合覆盖问题 和最大覆盖...关键词：禁忌搜索
相关作者
潘大志 作品数：82 被引量：243 H指数：8 供职机构：西华师范大学数学与信息学院 研究主题：背包问题 遗传算法 萤火虫算法 贪心 遗传算法求解 马良 作品数：321 被引量：2,390 H指数：25 供职机构：上海理工大学管理学院 研究主题：蚂蚁算法 多目标 优化算法 元胞自动机 蚁群算法 王志刚 作品数：46 被引量：167 H指数：7 供职机构：南京师范大学泰州学院 研究主题：人工蜂群算法 差异演化算法 群体智能 粒子群优化算法 二进制 贺毅朝 作品数：56 被引量：497 H指数：11 供职机构：河北师范大学软件学院 研究主题：遗传算法 背包问题 差分演化 差分演化算法 SAT问题 林济铿 作品数：179 被引量：1,836 H指数：24 供职机构：同济大学电子与信息工程学院 研究主题：电力系统 黑启动 电力市场 配电网 背包问题
