背包问题是一个在运筹学领域里常见的典型NP-C难题。工厂里的下料问题,管理中的资源分配,资金预算,投资决策,装载问题等均可建模为背包问题。对该问题的求解方法的研究无论是在理论上,还是在实践中都具有重要意义。对于背包问题,己有的求解方法可分为精确算法(如动态规划,分支定界等)和近似算法(如贪婪法,蚂蚁算法,遗传算法等)两大类。因为精确算法的时间复杂性都是呈指数增长的,所以从六十年代逐渐提出了一些近似算法。 属性论方法是冯嘉礼教授提出的人工智能领域的一种新的理论。目前在组合优化问题、模式识别、非线性分类、质量评估模型、股票预测以及网络攻击探测等领域都已经得到广泛的应用。 在阅读了大量中外文献的基础上,本文提出了背包问题的一种基于属性论的启发式算法。文章在开篇综述背包问题的一些基本情况后,接着介绍了属性论的一些基本观点、方法和理论,包括定性映射模型,人工神经元模型与定性映射模型的关系,量质转换程度函数等等。随后结合贪婪算法和背包核问题的思想,我们给出了物件基于核的一个定性映射。在根据背包的核问题的具体情况对属性论中传统的Gauss型转换程度作了必要的改进之后,我们给出了背包问题基于属性论的一个近似转化优化算法并且根据此算法用Java语言设计了背包问题软件包。软件包的设计充分结合了Java语言的特点,具有高性能和高的可扩展性,提供了可扩展的接口以方便其他应用程序扩展和调用。 作为软件包开发的一部分,我们结合背包问题实例的四种类型,设计了测试实例生成器及背包问题优化程序。本文在文章的后面给出了实例运行的结果,从运行结果来看,本算法的运行效率非常高,特别是对于最大子集和问题(Subset-Sum Problem),我们求得一个10万维最大子集和问题的99.7%满意度解的平均时间仅为95.64毫秒。