变异蝙蝠算法求解折扣（0-1）背包问题

　　针对确定性算法难于求解规模大、数据范围广的折扣{ 0-1}背包问题D{0-1} KP），提出了基于蝙蝠算法的快速求解D{0-1} KP的变异蝙蝠算法（MDBBA）。首先，利用双重编码解决D{0-1} KP的编码问题；其次，将贪心修复与优化算法（ GROA）应用于蝙蝠个体适应度计算中，使算法快速得到有效解；然后，选择使用差分演化（DE）的变异策略提高算法的全局寻优能力；最后，蝙蝠个体按一定概率进行Lervy飞行，增强算法探索能力和跳出局部极值的能力。对四类大规模实例的仿真计算表明：MDBBA非常适于求解大规模的D{O-I} KP，比第一遗传算法（FirEGA）和双重编码蝙蝠算法（ DBBA）求得的最优值和平均值都更优，MDBBA收敛速度明显快于DBBA。