实验8 分布估计算法求解背包问题

传送门（所有的实验都使用python实现）

实验1 BP神经网络实验

实验2 som网实验

实验3 hopfield实现八皇后问题

实验4 模糊搜索算法预测薄冰厚度

实验5 遗传算法求解tsp问题

实验6 蚁群算法求解tsp问题

实验7 粒子群优化算法求解tsp问题

实验8 分布估计算法求解背包问题

实验9 模拟退火算法求解背包问题

实验10 禁忌搜索算法求解tsp问题

一、实验目的

理解并使用分布估计算法

二、实验内容

实现基于分布估计算法的背包问题求解

三、实验环境

使用Python3.0 在 eclipse进行编辑

四、实验步骤

1、输入介绍：

    背包物体的个数为10，背包容量C,物品价值p，物品重量c。初始化概率模型每维为0.5

   

2、产生个体：

    通过概率模型，产生n个体。

3、计算个体适应度：

个体适应度为背包中物体的价值总和取负数，但是背包超重的情况下，方案不合法。所以加入罚函数，设超过部分重量为r，将适应值加上r^2*M，只要M足够大就可以将适应值大大降低，进而避免被当成较优解选中。

4、保留适应度较高的前x个解，通过计算联合概率分布，更新概率模型。

   

5.终止条件

    若全局最优未达到295，回到步骤2，否则打印结果，结束迭代。

运行截图：

个体数100，较优解取前30%。未找到最优解

个体数200，较优解取前30%。找到最优解

个体数500，较优解取前30%。找到最优解

个体数1000，较优解取前30%。找到最优解

五、总结

个体数直接影响了算法的效率，通过多次实验可以知道当个体数为100时，多次迭代未能找出最优解，陷入了局部最优，当个体数逐渐增多时，迭代次数明显减少。但是个体过多会导致单次迭代次数时间变长，所以个体数量在500为最佳。此外，构造概率模型的前x个较优解也会影响效率，x取太大失去了较优解的优势，取太小损失了部分较优解，所以取30%为最佳。

python源码

#coding:gbk
import random
global n,m,C;    #n个体数量， m物品数量 ,背包容量C
global bn,time;    # bn较优个体数量 time 迭代次数
global best;   #记录全局最优
n=100; m=10; bn=int(n*0.3);  
time =100; #控制迭代次数
p = [0.0]*m; ans = [[0]*(m) for i in range(n)] #概率模型p   ans记录种群情况 
F = [0.0]*n ;  best_way=[0]*m; #F个体适应值  best_way 记录全局最优解方案
weight=[95, 4, 60, 32, 23, 72, 80, 62,65, 46]; value=[55, 10, 47, 5, 4, 50, 8, 61,85, 87]

def cop(a,b,le):     #复制函数 把b数组的值赋值a数组
    for i in range(le):
        a[i]=b[i]
def produce():  #个体产生
    for i in range(n):
        for k in range(m):
            if(random.random() < p[k]):  ans[i][k]=1;
            else: ans[i][k]=0;
def calc(x):  #计算个体适应值
    global C
    vsum=0;wsum=0;
    for i in range(m):
        vsum +=x[i]*value[i];  wsum += x[i]*weight[i];
    if(C-wsum < 0):  gg=C-wsum;     #罚函数，若超重则会被无限放大
    else :gg= 0;
    return -vsum+10000*gg*gg;
def update():      #更新概率模型
    mx = -1; ob=0;
    for i in range(m): p[i]=0;
    for i in range(bn):
        mx = -1;
        for k in range(n): 
            if(-F[k]>mx): mx=-F[k]; ob=i;
        F[ob]=10000;
        for j in range(m): 
            if(ans[ob][j]==1):p[j]+=1.0;
    for i in range(m): 
            p[i]=p[i]/bn;        
def init():   #初始化函数
    global C,best;
    C = 269;
    best=-1;
    for i in range(m):p[i]=0.5; #初始概率都为0.5
    
def slove():  #迭代函数
    global best
    produce()    #产生新个体
    for i in range(n):  #计算适应度
        F[i]=calc(ans[i])
        if(-F[i] > best ):
            best = -F[i]; cop(best_way,ans[i],m);
    update();   #更新概率模型

init();
isGood = 0; #标记是否找到最优解

for i in range(time):      
    slove();
    if(best==295):  
        print('找到最优解:295,迭代次数',i+1); isGood = 1;  break;    #达到最优解提前退出
        
if(isGood == 0):   print('只找到次优解:',best,'迭代次数',time);
print('方案为：',best_way);               #打印方案