Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

14.05.2019 | Regular Research Paper | Ausgabe 1/2020

Memetic Computing 1/2020

Noising methods with hybrid greedy repair operator for 0–1 knapsack problem

Zeitschrift:
Memetic Computing > Ausgabe 1/2020
Autoren:
Shihua Zhan, Lijin Wang, Zejun Zhang, Yiwen Zhong
Wichtige Hinweise
This work was supported by the Nature Science Foundation of Fujian Province of P. R. China (Nos. 2019J01401, 2016J01280) and the Special Fund for Scientific and Technological Innovation of Fujian Agriculture and Forestry University (Nos. CXZX2016026, CXZX2016031).

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Noising methods (NMs) include a set of local search methods and can be considered as simulated annealing algorithm or threshold accepting (TA) method when its components are properly chosen. This paper studies how to utilize NMs for solving the 0–1 knapsack problem (0–1 KP). Two noising strategies, noising variation of objective function and noising data, are used to help NMs escape from local optima. When noising variation of objective function is used, probabilistic acceptance or deterministic acceptance is used to decide whether to accept neighbor solutions. Two decreasing strategies, arithmetical decreasing and geometrical decreasing, are used to control the change of parameter noise-rate. In total, six variants of NMs including two TAs are designed to solve the 0–1 KP. In those variants, a hybrid greedy repair operator, which combines density-based and value-based greedy drop and add operators, is designed to get better balance between intensification and diversification. Extensive experiments were performed to compare the performances of the six variants of NMs. The performances of the six variants of NMs were also compared with some state-of-the-art metaheuristics on a wide range of small size, medium size, and large size 0–1 KP instances. Simulation results show that NMs are better than or competitive with other state-of-the-art metaheuristics.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 1/2020

Memetic Computing 1/2020 Zur Ausgabe

Editorial

Editorial

Premium Partner

    Bildnachweise