[发明专利]一种改进排球超级联赛算法在背包问题中的应用方法

说明书

本发明涉及计算机智能领域，具体为一种改进后的排球超级联赛算法在经典0‑1背包问题中的应用方法。此方法包含以下步骤：S1、初始化所有队伍中队员的属性；S2、赛前相关准备和竞赛；S3、获胜的队伍落实胜出方策略，输的队伍落实队伍调整策略和知识分享策略；S4、所有的队伍落实学习阶段策略S5、判断整个赛季是否都已结束，若是，则结束算法；若否，重复S1至S4。本发明通过使用自适应因子、权重和柯西分布，对原有排球超级联赛算法进行改进，使得该方法在对于0‑1背包问题的求解中，收敛表现更优、所得解更精确有效。

技术领域

本发明涉及计算机智能领域，具体涉及一种改进后的排球超级联赛算法在经典0-1背包问题中的应用方法。

背景技术

NP难问题是目前计算机等研究领域的一大热点。生产生活中，NP难问题时常出现，且随着相关问题的层次结构不断复杂化，优化的难度也同时急剧升高。目前有很多的技术手段来可以用来尝试解决NP难问题。其中比较热门的一种技术是使用元启发式算法。这类算法一般是从某种群体(可以是生物群体、物理现象、化学反应等)上汲取灵感，研究的内容是这些群体之间的相互竞争或合作等共存形式。从这些形式中总结出经验公式，或者用数学理论准确合理地表达出来，以解决目标优化问题。

当下元启发式算法层出不穷，比如蚁群算法、粒子群算法、模拟退火算法等。元启发式算法可以一般地分为五种，即物理类、化学类、生物类、生理类和其他。物理类的算法，有雨水算法、质量和能量平衡算法、水文循环算法等，以研究某些物理现象的表面或深层次原理为目标。化学类的算法，有化学反应优化算法等，以研究化学中出现的反应或现象的表面或内部规律为目标。生物类的算法，有蚁群、粒子群、磷虾群、鲸鱼算法等，以研究这些生物的某种习性或整体发展变化为目标。生理类的算法，有遗传算法、进化算法等，以研究某类生理特性和生理构造中的演变或周期规律为目标。所有不能分到上述四个种类中的算法都直接归类到其他条目中。

目前国内外，不断有学者提出新颖的元启发式算法，或者改进某种现存较为成熟的元启发式算法，以提高算法的性能，比如全局搜索能力、鲁棒性等。工程领域中许多实际难题，可以建立优化模型进行求解以克服。所以，有些研究者将自身改进后的算法与实际应用场景结合，很好地解决了许多具有实际意义的优化问题。比如任勇等提出的《一种面向水下多智能体的Q学习蚁群路由方法》，其结合了强化学习和蚁群算法，综合调配了链路稳定性、节点的能量和深度等因素，使得节点的端到端延迟有效降低，使得数据递送率有效提高，也使得水下无线传感器网络的寿命得到延长。王华等通过调整策略，综合考虑了各节点的流量、能耗和延迟，提出《基于蚁群算法的网络探测优化方法》，从而达到整体网络节能的目的。苏毅珊等在《一种基于蚁群算法的水下传感器网络节点通信路径选择方法》中，改进了转发概率和信息素更新过程，使得整体网络能量得到均衡，同时也延长了网络的寿命。

背包问题在很多工程领域都有应用，比如配电厂资源调度、货物运输调度、大工业用户用能的优化管理、电动汽车充电调度和泵站优化等。问题内容为，往一个容量为C(能放得下的物品重量不能超过C)的背包中装物品。现有一批物品，每个物品有两个属性，即重量和价格。在放进背包的物品重量总和不超过C的约束下，求解价格总和的最大值。

排球超级联赛算法由Reza Moghdani等提出，是一种根据排球超级联赛中的比赛规则、队员的合作表现、教练的指导作用等因素，综合观察、科学总结，并以数学表达出来的元启发式算法。原有排球超级联赛算法在背包问题中的使用，存在两个问题，即收敛速率不够快、过早陷入局部最优而不能求得全局最优。

发明内容

本发明针对现有的排球超级联赛算法在背包问题中的使用时收敛速率不够快、过早陷入局部最优而不能求得全局最优的缺陷，提供一种改进排球超级联赛算法在背包问题中的应用方法，应用在0-1背包问题的解决场景中。

本方法通过柯西分布、权重策略、改进的学习策略，对原算法进行改进，提高了算法的收敛速度和求解准确率，使得算法能有效地解决NP难问题，本发明的技术方案包括：