中文帝王蝶论文_冯艳红1

《帝王蝶优化算法与差分进化结合解决折扣{0-1}背包问题》 帝王蝶优化（Monarch Butterfly Optimization，MBO）算法是由王改革等人提出的一种新型群体智能算法。该算法模拟了帝王蝶迁徙的行为，旨在解决复杂的优化问题。MBO算法的核心在于其独特的寻优机制，然而，算法在迁移操作中随机选取两个个体生成新个体，缺乏对全局最优解的记忆，可能导致最优解信息的丢失。 差分进化（Differential Evolution，DE）算法是一种强大的全局优化工具，其变异策略能有效利用个体间的差异信息，从而推动种群向全局最优解靠近。针对MBO算法的不足，研究者们将MBO与七种DE变异策略相结合，进行了广泛的实验验证，以提升算法的性能。其中，DE/best/2/bin变异模式表现最优，因此，基于这一模式提出了差分进化帝王蝶优化算法（DEMBO）。 DEMBO算法通过引入差分进化机制，能够记住种群中的最优解，并促进种群内部信息的充分共享，这不仅加速了算法的收敛速度，也提高了解的精度。论文在30个典型的折扣{0-1}背包问题实例上进行了实验，结果表明： 1. DEMBO算法在保持时间复杂度不变的情况下，显著提升了求解精度和收敛速度，优化效果显著。 2. 对于所有折扣{0-1}背包问题实例，DEMBO都能找到近似比非常接近1的近似解，这意味着它能找到接近最优解的解集。 {0-1}背包问题是一个经典的组合优化问题，涉及在有限容量的背包中选择物品以最大化价值，同时物品只能取或不取，不能分割。DEMBO算法的引入为这类问题的求解提供了一个有效且高效的工具，尤其在处理大规模问题时，其优势更为明显。 帝王蝶优化算法与差分进化的结合，即DEMBO算法，成功地解决了MBO算法中局部最优解的问题，提高了全局搜索能力。这一创新性的融合方法对于优化算法领域有着重要的理论和实践意义，为其他类似的生物启发式算法改进提供了新的思路。