💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥
✅博主简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,Matlab项目合作可私信。
🍎个人主页:Matlab仿真科研站博客之家
🏆代码获取方式:
💥扫描文章底部QQ二维码💥
⛳️座右铭:行百里者,半于九十;路漫漫其修远兮,吾将上下而求索。
⛄更多Matlab背包问题(仿真科研站版)仿真内容点击👇
Matlab背包问题(仿真科研站版)
⛄一、简介
1 引 言
背包问题 (Knapsack Problem, KP) 是NP-Complete问题, 也是经典的组合优化问题, 背包问题不仅具有重要的理论意义, 同时还有非常重要和广泛的实际应用, 如决策投资、资源分配、货物装载与预算控制等。0-1背包问题是最基本的KP问题。目前求解0-1背包问题的主要算法有动态规划法、近似算法、贪心算法、分支限界法、回溯法、蜂群优化算法、蚁群算法、粒子群算法、遗传算法和人工鱼群算法等以及其他一些新型智能算法。以上算法都在一定程度上提供了求解0-1背包问题的方法, 提高了求解速度, 根据其自身的特点, 对于背包问题的求解有改进的空间。萤火虫算法是由剑桥大学的Yang Xin-She教授在2008年提出的一种基于生物群体智能的启发式算法, 也是一种新型的仿生智能优化算法。本文将贪心算法、自适应权重和变异算子与基本萤火虫算法相结合, 提出一种带权重的贪心萤火虫算法 (WGFA) 。该算法应用于0-1背包问题, 提高了前期全局搜索能力和收敛速度。通过大量仿真实验, 结果表明该算法的求解结果是有改进且可行的。
1 0-1背包问题
0-1背包问题的具体描述如下:假设有n件物品和一个背包, 第i件物品的重量为ωi, 价值为pi (i=1, 2, …, n) , 背包的重量限制为V, 物品i被选择的情况有2种, 一种是被装进背包, 定义变量xi=1, 另一种是不被装进, 变量xi=0。对于一组被选择的物品 (x1, x2, …, xn) , 背包内物品总重量为∑ni=1ωixi, 总价值为∑ni=1pixi。背包问题就是如何决定变量xi (i=1, 2, …, n) 的值, 使其在不超过重量限制的条件下, 背包内的物品总价值最大, 其数学模型可以表示为:
其中i=1, 2, …, n
2 基本萤火虫算法 (FA)
萤火虫算法 (Firefly Algorithm, FA) [14]是一种启发式算法, 该算法受启发于萤火虫发光的行为。萤火虫发出的荧光, 其主要目的是作为一个信号系统, 以此吸引异性、捕食或作为警戒信号。萤火虫不分性别, 每只萤火虫都可以吸引其他萤火虫, 也可以被其他萤火虫吸引。萤火虫的吸引力和亮度成正比, 对于任意2只萤火虫, 亮度弱的会被亮度较强的吸引并向其移动。然而, 亮度会随着距离的增加而减少, 如果没有找到一只比给定的更亮的萤火虫, 它就会随机移动。
在萤火虫算法中, 每只萤火虫包含亮度、吸引度和位置这3个属性。萤火虫自身亮度I0是由目标函数决定, 萤火虫的位置越好, 相应的亮度越大。2只萤火虫的吸引度随着距离增大而减小, 在荧光传输过程中传播介质对光线有吸收作用, 吸引度大小还和介质吸收因子有关。所以个体的相对亮度可表示为:
I ® =I0e-γr2 (3)
其中, I0为个体在当前位置的亮度, γ为介质吸收因子, r为2只萤火虫的欧氏距离。萤火虫的吸引度β可表示为:
β ® =β0e-γr2 (4)
其中, β0为萤火虫对其距离为0时的吸引度, 萤火虫i被萤火虫j吸引的移动公式为:
其中, xi、xj是萤火虫i、j的位置, α为步长因子, rand为[0, 1]上均匀分布的随机因子。萤火虫i与萤火虫j的欧氏距离r表示为:
其中, xi、xj是萤火虫i、j的位置。
3 改进的萤火虫算法 (WGFA)
由于基本萤火虫算法早期收敛速度较快, 易陷入局部最优, 后期收敛速度缓慢且求解精度较低, 为了改善算法的全局搜索能力提高后期搜索精度, 现对基本萤火虫算法进行改进。
3.1 线性递减惯性权重
由于较大的权重因子有利于跳出局部最小点, 便于全局搜索, 而较小的惯性因子则有利于对当前的搜索区域进行精确局部搜索, 以利于算法收敛, 可以采用线性变化的权重, 让惯性权重从最大值ωmax线性递减到ωmin, 随算法迭代次数的变化公式为:
其中, ωmax、ωmin分别表示ω的最大值和最小值, t表示当前迭代步数, tmax表示最大迭代步数。加入自适应权重, 式 (5) 变为:
3.2 改进的贪心算法
贪心算法是将所有物品按照价重比 (p/ω) 由大到小排序, 然后从大到小依次装入背包, 直到背包无法装下为止。由于0-1背包问题不一定能将背包装满, 部分空间的闲置会使背包的总价值降低, 于是本文采用一种改进贪心算法, 其算法步骤如算法1。
算法1 改进的贪心算法
Step1 把n件物品按照价值密度由小到大依次对物品排序编号, 排序结果存于一个数组l[]中, l[i]为价值密度第i大的物品编号。
Step2 计算当前解对应的背包重量coresV。
Step3 如果coresV>V, 令l[i]=1 (i=1, 2, …, n) , 若xl[i]=1, 置xl[i]=0, 且coresV=coresV-wl[i]。
Step4 如果coresV>V, 令i=i+1, 继续Step3, 否则, 执行Step5。
Step5 将未装入背包的物品i (i=1, 2, …, k) 按价值密度由大到小依次对物品排序编号, 排序结果存于一个数组rest[]中, rest[i]为价值密度第i大的物品编号。
Step6 将物品i (i=1, 2, …, k) 按价值密度由大到小依次装入背包, 令xrest[i]=1 (i=1, 2, …, k) , 且coresV=coresV+ωrest[i]。
Step7 如果背包重量coreV<V, 令i=i+1, 继续执行Step6, 否则, coresV=coresV-ωrest[i], 且置xrest[i]=0, 执行Step6, 直至i=k。
Step8 输出萤火虫算法的解。
算法1可编码表示如下:
3.3 变异算法
变异为遗传算法的搜索算子, 变异操作[19]主要是为了维持种群多样性, 提高局部的随机搜索能力, 其基本内容是对种群中个体串的某些基因座上的基因值进行变动, 变异算子的操作分3步:
- 对种群内所有个体以一定变异概率进行判断是否进行变异。
- 对进行变异的个体随机选择变异位置进行变异。
- 对种群中每代最优个体进行变异操作, 以增加种群多样性。
3.4 改进萤火虫算法求解0-1背包问题的实施步骤
将线性递减惯性权重策略融入到萤火虫的位置更新公式中, 利用变异算子对最优个体进行扰动, 同时将改进贪心算法对种群中不可行解进行修复, 得到一种求解0-1背包问题的改进萤火虫算法, 其算法流程如算法2。
算法2 改进的萤火虫算法
Step1 初始化算法参数, 萤火虫种群个数为m, 步长因子α, 最大吸引度β0, 介质吸收因子γ, 最大权重值ωmax, 最小权重值ωmin, 变异概率pm, 最大迭代次数itermax。随机产生一个m×n的0-1矩阵作为萤火虫初始位置, n为物品个数。
Step2 对种群使用改进贪心算法修复, 使不可行解变为可行解, 并使可行解尽量增加其价值。计算目标函数值作为萤火虫最大荧光亮度l0, 记录最优位置vbest。
Step3 按照式 (3) 与式 (4) 分别计算萤火虫的相对亮度I和吸引度β, 并根据相对亮度I的大小确定萤火虫的移动方向, 按照式 (6) 计算萤火虫i与萤火虫j的距离。
Step4 根据式 (7) 计算每一代的权重, 按照式 (8) 对萤火虫的位置进行更新。将处于最优位置的萤火虫进行随机扰动。
Step5 对种群进行变异操作, 加大种群的全局搜索能力。将新种群离散化, 对于萤火虫分量xij>0.5, 令xij=1, 否则xij=0。
Step6 判断是否满足终止条件, 若是, 输出最优位置和最优解, 否则转到Step2, 进入下一次搜索。
算法2的流程图如图1所示。
图1 算法2流程图
⛄二、部分源代码
%求解0-1背包问题的改进萤火虫群算法(WGFA)
%设置参数:步长因子alpha=0.5,吸引度beta0=1,介质吸收因子gama=1,
%萤火虫的亮度即目标函数值
clc
clear all
%%
%初始化参数
alpha=0.2; % 步长因子Randomness 0–1
gamma=1.0; % 介质吸收因子
beta0=1.0; %最大吸引度
wmax=1;wmin=0.05;%权重,用于计算线性递减惯性权重
Pm=0,01;%变异概率
%使用文献中案例1的参数
W=[95 4 60 32 23 72 80 62 65 46];%物品重量
P=[55 10 47 5 4 50 8 61 85 87];%物品价值
V=269;%背包最大容量
n=size(W,2);%物品个数
iter_max=30;%迭代次数
M=30;%萤火虫种群个数
runtime=100;%运行次数
xn=round(rand(M,n));%随机生成初始解
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例(第2版)[M].电子工业出版社,2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社,2017.
[3]任静敏,潘大志.带权重的贪心萤火虫算法求解0-1背包问题[J].计算机与现代化. 2019,(05)
3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题(TSP)
4.1.1 单旅行商问题(TSP)
4.1.2 多旅行商问题(MTSP)
4.2 车辆路径问题(VRP)
4.2.1 车辆路径问题(VRP)
4.2.2 带容量的车辆路径问题(CVRP)
4.2.3 带容量+时间窗+距离车辆路径问题(DCTWVRP)
4.2.4 带容量+距离车辆路径问题(DCVRP)
4.2.5 带距离的车辆路径问题(DVRP)
4.2.6 带充电站+时间窗车辆路径问题(ETWVRP)
4.2.3 带多种容量的车辆路径问题(MCVRP)
4.2.4 带距离的多车辆路径问题(MDVRP)
4.2.5 同时取送货的车辆路径问题(SDVRP)
4.2.6 带时间窗+容量的车辆路径问题(TWCVRP)
4.2.6 带时间窗的车辆路径问题(TWVRP)
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置