遗传算法解决背包问题（java）

最新推荐文章于 2024-07-28 11:41:51 发布

小白小黄

最新推荐文章于 2024-07-28 11:41:51 发布

阅读量3.4k

点赞数 6

分类专栏：算法文章标签： java 遗传算法背包问题

本文链接：https://blog.csdn.net/weixin_41723459/article/details/83278104

版权

本文介绍了如何使用遗传算法解决背包问题，这是一个组合优化的NP完全问题。通过基因编码、生成、杂交、变异和选择操作，遗传算法在限定的背包总重量内寻找能最大化物品总价值的解决方案。文中提供了具体的物品价值和重量数据，并展示了遗传算法的思路及Java代码实现。需要注意的是，遗传算法可能存在找到局部最优解而非全局最优解的情况。

摘要由CSDN通过智能技术生成

遗传算法解决背包问题（java）

遗传算法作为当今一个比较热门的研究方向，在解决最优化问题上有着良好的作用。遗传算法利用基因编码，对其进行生成、杂交、变异、选择等操作，产生不同的基因序列，使解一步一步向最优解逼近。

背包问题(Knapsack problem)是一种组合优化的NP完全问题。问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。相似问题经常出现在商业、组合数学，计算复杂性理论、密码学和应用数学等领域中。也可以将背包问题描述为决定性问题，即在总重量不超过W的前提下，总价值是否能达到V。

已知n个物体的容积及其价值分别为w_i 和c_i （i=1,2, …,n），背包的总容量为v。问：选择哪些物品装入背包可以使背包在满足容量限制的前提下总价值最大？

问题

可选择的物品有50件，其价值c和重量v分别为

c={220,208,198,192,180,180,165,162,160,158,155,130,125122,120,118,115,110,105,101,100,100,98,96,95,90,88,82,80,77,75,73,72,70,69,66,65,63,60,58,56,50,30,20,15,10,8, 5,3,1}

w={80,82,85,70,72,70,66,50,55,25,50,55,40,48,50,32,22,60,30,32,40,38,35,32,25,28,30,22,50,30,45,30,60,50,20,65,20,25,30,10,20,25, 15,10,10,10,4,4,2,1}

背包的总量不能超过1000，求解背包所能装下的最大的价值是多少

遗传算法解决思路

利用遗传算法时，可以随机生成一个长度为50的0-1序列，其中1表示对应位置的物品装进背包，0表示对应物品不装进背包，需要注意的是，生成的序列有可能超过背包的总重量，不满足约束条件，此时需要对序列进行操作。可行的操作有两种，第一种是对于不满足约束条件的序列进行抛弃，第二种是对其进行贪心算子变换，具体操作如下：

对所有 x_1=1 的物品，按它们的价值密度排序，形成队列b(i)；
依次放入价值密度最大的物品，并判断是否有超出背包限定的范围；
如果超出，则将价值密度序列中从这个位置之后的所有商品置0；

代码

染色体类

import java.util.Random;

public class Chromosome {
   
    public boolean[] gene;
    private int fitness;
    private int bag=1000;



    public int getFitness() {
   

        return fitness;
    }

    public void setFitness(int fitness) {
   

        this.fitness = fitness;
    }
    /*
    构造染色体
     */
    public Chromosome(int n){
   
        if (n<0){
   
            return;
        }
        initSize(n);
        for(int i=0;i<n;i++){
   
            gene[i]=Math.random()>=0.5;
        }

        getFitness();
    }
    public Chromosome(){
   

    }

    public void initSize(int n){
   
        if (n<0){
   
            return;
        }
        this.gene=new boolean[n];
    }

    /*
    染色体变异
     */

    public void mutation(int size,double rate){
   
        Random random=new Random();
        for(int i=0;i<size;i++){
   
            if(random.nextDouble()<rate){
   
                boolean t=gene[i];
                t=!t;
                gene[i]=t;
            }
        }


    }



}

遗传算法

import java.util.*;


public class GeneticAlgorith {
   
    public List<Chromosome> population=new ArrayList<Chromosome>();//存放所有的种群基因
    private int popSize; //种群规模N
    private int chromoLength;//每条染色体数目m；
    private double mutationRate=0.01;//基因突变概率pm
    private  double crossoverRate=0.6;//交叉概率pc
    private int bagMax=1000;

    private int generation;//种群代数t
    private int iterNum=10000;//最大迭代次数
   // private int stepmax=3;//最长步长

    private int [] charge={
   220,208,198,192,180,180,165,162,160,158,155,130,125,122,120,118,115,110,105,101,100,100,98,96,95,90,88,82,80,77,75,73,72,70,69,66,65,63,60,58,56,50,30,20,15,10,8,5,3,1};
    private int [] weight={
   80,