文献类型：期刊文章

作　　者：冯艳红[1] 杨娟[2] 贺毅朝[1] 王改革[3]

FENG Yan-hong;YANG Juan;HE Yi-chao;WANG Gai-ge(School of Information Engineering,Hebei GEO University,Shijiazhuang,Hebei 050031,China;School of Mathematical Science,Kaili University,Kaili,Guizhou 556011,China;College of Information Science and Engineering,Ocean University of China,Qingdao,Shandong 266100,China)

机构地区：[1]河北地质大学信息工程学院,河北石家庄050031 [2]凯理学院数学科学学院,贵州凯里556011 [3]中国海洋大学信息科学与工程学院,山东青岛266100

出　　处：《电子学报》

基　　金：江苏省自然科学基金(No.BK20150239);国家自然科学基金(No.61503165,No.61402207,No.61673196)

年　　份：2018

卷　　号：46

期　　号：6

起止页码：1343-1350

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：帝王蝶优化算法(Monarch Butterfly Optimization,MBO)是一种新颖的群体智能算法,自从提出就在实际优化问题上表现出很好的性能.但是,帝王蝶优化算法的迁移算子采用随机选择两个个体来生成新个体,并没有记忆整个种群的最优解,容易造成全局最优帝王蝶搜索经验的丢失.根据MBO寻优过程的内在机制以及差分进化算法的变异算子能够利用个体间的差异信息,将MBO分别与目前性能最优、应用范围最广的7种差分进化(Differential Evolution,DE)变异策略相结合,实验验证了7种不同算法的性能.基于性能最优的DE/best/2/bin变异模式,提出了一种差分进化帝王蝶优化算法(Monarch Butterfly Optimization Algorithm with Differential Evolution,DEMBO),使得算法能够记忆种群最优解并实现种群内部信息的充分共享,达到既加快收敛速度又提高解的精度的目的.在30个典型折扣{0-1}背包问题(D{0-1}KP)实例上进行了一系列实验,实验结果表明:(1)DEMBO能够在时间复杂度不变的条件下,显著提高算法的求解精度和收敛速度;(2)DEMBO在求解所有D{0-1}KP实例时,均能够获得一个近似比非常接近1的近似解.

关 键 词：折扣{0-1}背包问题  差分进化 帝王蝶优化算法  贪心修复策略  近似比  

分 类 号：TP18]