✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、研究背景与问题提出
0-1背包问题作为组合优化领域的经典NP-hard问题，其核心场景为：给定一组具有固定重量与价值的物品和一个容量有限的背包，需在不超过背包容量的前提下，通过选择物品的“选或不选”（0或1）组合，最大化装入物品的总价值。该问题广泛存在于物流运输、资源分配、投资决策等现实场景中，例如航空公司行李配载优化、数据中心服务器资源调度等。传统动态规划方法虽能精确求解小规模问题，但面临“维度灾难”问题，当物品数量超过100时，时间复杂度呈指数级增长，难以满足实时性要求。
近年来，智能优化算法凭借其全局搜索能力和适应性，成为解决大规模组合优化问题的有效工具。本研究选取遗传算法（GA）、粒子群优化算法（PSO）、蚁群优化算法（ACO）、灰狼优化算法（GWO）、黏菌算法（SMA）、猎豹算法（HBA）及其改进版本（IHBA）共7种算法，系统对比其在0-1背包问题中的求解性能，旨在揭示不同算法的适用场景与优化潜力，为实际工程应用提供理论依据。
二、理论基础与文献综述
（一）智能优化算法的核心机制
遗传算法（GA）
基于生物进化理论，通过选择、交叉、变异操作模拟自然选择过程。其优势在于群体搜索能力，但易陷入局部最优。例如，在TSP问题中，GA通过轮盘赌选择保留高适应度个体，交叉操作交换染色体片段以生成新解。粒子群优化算法（PSO）
模拟鸟群觅食行为，粒子通过个体经验与群体最优位置更新速度。标准PSO在背包问题中可能过早收敛，改进方向包括自适应惯性权重调整（如线性递减策略）和量子行为引入。蚁群优化算法（ACO）
通过信息素更新与挥发机制引导蚂蚁路径选择。在背包问题中，信息素浓度与物品价值正相关，但需合理设置参数（如信息素重要程度α、启发式因子β）以平衡探索与开发。灰狼优化算法（GWO）
模拟灰狼群体的社会等级与狩猎行为，通过α、β、δ三级狼引导搜索方向。其优势在于强全局收敛性，但需优化收敛因子以避免早熟。黏菌算法（SMA）
基于黏菌的振荡收缩行为，通过正弦波调整搜索步长。在离散化背包问题中，需通过模运算将连续解映射至0-1空间，例如对位置变量取整后判断物品选择状态。猎豹算法（HBA）与改进版（IHBA）
HBA模拟猎豹的捕猎策略，通过冲刺阶段与巡逻阶段平衡局部开发与全局探索；IHBA引入动态权重调整与精英保留策略，进一步增强搜索效率。
（二）前人研究成果与缺口
现有研究多集中于单一算法的改进或对比，例如：
文献[3]对比了标准PSO与自适应PSO在背包问题中的性能，发现后者在收敛速度上提升37%；
文献[6]提出基于模2运算的SMA离散化方法，成功求解多背包问题（MKP），但未验证其在0-1背包中的有效性；
文献[1]通过多线程实现ACO，将TSP问题的求解时间缩短52%，但未探讨背包问题的并行化潜力。
然而，现有研究存在以下缺口：
缺乏对7种主流算法的系统性对比，尤其是新兴算法（如IHBA）在背包问题中的性能验证；
未明确不同算法在物品数量、背包容量等变量变化下的适用场景；
对算法参数（如GA的交叉概率、PSO的惯性权重）的敏感性分析不足。
⛳️ 运行结果
📣 部分代码
function [his_best, best_pop] = ACO(NC_max,Ant_Quantity,lb, ub, dim, Values, Weights,maxw)
a = 1;
b = 0.1;
p = 0.8;
r = 0.8;
D = dim;
t = ones(1, Ant_Quantity);
dt = zeros(1, Ant_Quantity);
Ant_Position = zeros(D, Ant_Quantity);
%% 初始化
temp_Ant_Position = lb + rand(D, Ant_Quantity) * (ub - lb);
best_pop = 0;
his_best = zeros(NC_max,1);
%%
for NC = 1:NC_max
t = p * t + dt;
Ant_Position = temp_Ant_Position;
for i = 1:Ant_Quantity
ETA_zero_num = 0;
for ii = 1:Ant_Quantity
Ant_Position(:,i) = constraint_population(Ant_Position(:,i),Values,Weights,maxw);
Ant_Position(:,ii) = constraint_population(Ant_Position(:,ii),Values,Weights,maxw);
temp = func(Ant_Position(:,i),Values) - func(Ant_Position(:,ii),Values); %函数值差值赋给临时变量temp，避免重复计算
if temp > 0
Ant_ETA(i,ii) = temp; %Ant_ETA是一个Ant_Quantity阶的方阵，其i行ii列表示从i到ii的启发量
else
Ant_ETA(i,ii) = 0; %如果函数值不下降，启发量为0（会导致后面该方向概率为0）
ETA_zero_num = ETA_zero_num + 1; %统计启发量为0的个数
end
end
if ETA_zero_num == Ant_Quantity %如果启发量全为0，则说明此蚂蚁是本轮蚂蚁中函数值最小的最优蚂蚁
next = i; %它的下一个位置是他自身
else
%计算蚂蚁i向各点ii的移动概率
sum_p = 0;
for ii = 1:Ant_Quantity %遍历每一只蚂蚁计算，从而获得移动概率分母上的求和
sum_p = sum_p + t(ii)^a * Ant_ETA(i,ii)^b;
end
for ii = 1:Ant_Quantity %遍历每一只蚂蚁计算，从而获得移动概率
Ant_Possibility(i,ii) = t(ii)^a * Ant_ETA(i,ii)^b / sum_p; %Ant_Possibility是一个Ant_Quantity阶的方阵，其i行ii列表示从i到ii的概率
end
k = 0;
for ii = 1:Ant_Quantity %遍历每一只蚂蚁ii，找出蚂蚁i到ii概率不为0的，单独存储其编号和概率值
if Ant_Possibility(i,ii) ~=0
k = k + 1;
K(k) = ii; %存储概率不为零的蚂蚁编号
K_Possibility(k) = Ant_Possibility(i,ii); %存储不为0的概率值
end
end
K_Possibility = cumsum(K_Possibility);
random_p = rand;
next = 0;
for ii = 1:k
if random_p < K_Possibility(ii)
next = K(ii);
end
if next ~= 0
break
end
end
end
%蚂蚁移动，向next的某一邻域内移动
Ant_Position(:,i) = constraint_population(Ant_Position(:,i),Values,Weights,maxw);
Ant_Position(:,ii) = constraint_population(Ant_Position(:,ii),Values,Weights,maxw);
dt(i) = func(Ant_Position(:,i), Values) - func(Ant_Position(:,next), Values); %留下本蚂蚁的信息量增量
temp_Ant_Position(:,i) = Ant_Position(:,next) + (-1 + 2 * rand(D,1)) * r^NC; %移动到next邻域中的某点
end
%计算移动之后所有蚂蚁中函数值最小的，以及最小函数值
for i = 1:Ant_Quantity
temp_Ant_Position(:,i) = constraint_population(temp_Ant_Position(:,i),Values,Weights,maxw);
FUNC(i) = func(temp_Ant_Position(:,i), Values);
end
[FUNC_min(NC), FUNC_min_n] = min(FUNC);
Position_min(:,NC) = temp_Ant_Position(:, FUNC_min_n);
if NC == 1
his_best(NC) = FUNC_min(NC);
best_pop = temp_Ant_Position(:, FUNC_min_n);
else
if his_best(NC-1) > FUNC_min(NC)
his_best(NC) = FUNC_min(NC);
best_pop = temp_Ant_Position(:, FUNC_min_n);
else
his_best(NC) = his_best(NC-1);
end
end
end
end
function population = constraint_population(population, Values, Weights, maxw)
for i = 1:size(population, 2)
tmp_value = 0;
tmp_weight = 0;
for j = 1:size(population,1)
if population(j, i) > 0.5
tmp_value = tmp_value+Values(j);
tmp_weight = tmp_weight+Weights(j);
end
end
while tmp_weight > maxw
indices_of_ones = find(population(:,i) > 0.5);
random_index = indices_of_ones(randi(size(indices_of_ones,2)));
population(random_index, i) = rand * 0.5;
tmp_value = tmp_value - Values(random_index);
tmp_weight = tmp_weight - Weights(random_index);
end
end
end
function fitness = func(X, Values)
% 求解最小值，故为负数
fitness = 0;
for i = 1:size(X,1)
if X(i) > 0.5
fitness = fitness - Values(i);
end
end
end
🔗 参考文献
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
)
