检索结果

期刊

出版年

关键词

Please wait a minute...

选择:

导出引用
EndNote Ris BibTeX

显示/隐藏图片

Select

1. 混合群体增量学习算法求解闭环布局问题

邓文瀚, 张铭, 王李进, 钟一文

计算机应用 2021, 41 (1): 95-102. DOI: 10.11772/j.issn.1001-9081.2020081218

摘要（424）

PDF （992KB）（360）

闭环布局问题（CLLP）是一种NP-困难的混合优化问题，它在大小可调的矩形环上寻找设施最佳放置次序，目标是最小化设施之间物料流的运输成本。现有方法均采用元启发式算法来寻找最优的设施放置次序，并且通过枚举方法来获得最优的矩形环大小，而枚举方法的计算效率不高。为了解决这个问题，提出了求解CLLP的混合群体增量学习（HPBIL）算法，分别使用离散群体增量学习（DPBIL）算子和连续PBIL（CPBIL）算子同时对设施放置次序和矩形环大小进行优化，提高了搜索效率；同时还设计了一个局部搜索算法来优化每代中的部分优质解，以提高算法的求精能力。在13个CLLP测试实例上进行实验，结果表明HPBIL算法在9个测试实例上找到了新的最优布局，它对CLLP的寻优能力明显优于对比算法。

参考文献 | 相关文章 | 多维度评价

Select

2. 求解0-1背包问题的混合贪婪遗传算法

陈桢, 钟一文, 林娟

计算机应用 2021, 41 (1): 87-94. DOI: 10.11772/j.issn.1001-9081.2020060981

摘要（575）

PDF （974KB）（626）

求解0-1背包问题（KP）的最优解的时候，传统遗传算法（GA）的局部求精能力不足而简单局部搜索算法的全局探索能力有限，针对上述问题，将这两个算法整合并提出了混合贪婪遗传算法（HGGA）。在GA全局搜索框架下增加局部搜索模块，并改进传统仅基于物品价值密度的修复算子，增加基于物品价值的贪婪混合选项，从而加速寻优过程。HGGA一方面引导种群在进化的优质解空间中展开精细搜索，另一方面依靠GA的经典操作算子开拓全局搜索空间，从而达到算法求精能力和开拓能力的良好平衡。HGGA分别在三组数据上做了测试，结果表明在第一组15个测试用例中的12个上，HGGA能够百分百找到最优解，成功率达到80%；在第二组小规模数据集上，HGGA的性能明显好于其他同类GA和其他元启发算法；在第三组大规模数据集上，HGGA较其他元启发式算法具有更好的稳定性和高效性。

参考文献 | 相关文章 | 多维度评价