Optimization Spiking Neural P System (OSNPS) is the first membrane computing model to directly derive an approximate solution of combinatorial problems with a specific reference to the 0/1 knapsack problem. OSNPS is composed of a family of parallel Spiking Neural P Systems (SNPS) that generate candidate solutions of the binary combinatorial problem and a Guider algorithm that adjusts the spiking probabilities of the neurons of the P systems. Although OSNPS is a pioneering structure in membrane computing optimization, its performance is competitive with that of modern and sophisticated metaheuristics for the knapsack problem only in low dimensional cases. In order to overcome the limitations of OSNPS, this paper proposes a novel Dynamic Guider algorithm which employs an adaptive learning and a diversity-based adaptation to control its moving operators. The resulting novel membrane computing model for optimization is here named Adaptive Optimization Spiking Neural P System (AOSNPS). Numerical result shows that the proposed approach is effective to solve the 0/1 knapsack problems and outperforms multiple various algorithms proposed in the literature to solve the same class of problems even for a large number of items (high dimensionality). Furthermore, case studies show that a AOSNPS is effective in fault sections estimation of power systems in different types of fault cases: including a single fault, multiple faults and multiple faults with incomplete and uncertain information in the IEEE 39 bus system and IEEE 118 bus system.

中文翻译：

---

二元问题的自适应优化脉冲神经 P 系统

优化尖峰神经 P 系统 (OSNPS) 是第一个直接导出组合问题近似解的膜计算模型，具体参考 0/1 背包问题。OSNPS 由一系列并行尖峰神经 P 系统 (SNPS) 和用于调整 P 系统的神经元尖峰概率的 Guider 算法组成，它们生成二进制组合问题的候选解决方案。尽管 OSNPS 是膜计算优化的开创性结构，但它的性能仅在低维情况下才能与现代复杂的背包问题元启发式算法相媲美。为了克服 OSNPS 的局限性，本文提出了一种新颖的动态引导算法，该算法采用自适应学习和基于多样性的自适应来控制其移动算子。由此产生的用于优化的新型膜计算模型在这里被称为自适应优化尖峰神经 P 系统 (AOSNPS)。数值结果表明，所提出的方法对于解决 0/1 背包问题是有效的，并且优于文献中提出的多种算法来解决同一类问题，即使对于大量项目（高维）也是如此。此外，案例研究表明，AOSNPS在IEEE 39总线系统和IEEE 118总线系统中的单个故障、多个故障以及信息不完整和不确定的多个故障情况下对电力系统的故障断面估计是有效的。 . 由此产生的用于优化的新型膜计算模型在这里被称为自适应优化尖峰神经 P 系统 (AOSNPS)。数值结果表明，所提出的方法对于解决 0/1 背包问题是有效的，并且优于文献中提出的多种算法来解决同一类问题，即使对于大量项目（高维）也是如此。此外，案例研究表明，AOSNPS在IEEE 39总线系统和IEEE 118总线系统中的单个故障、多个故障以及信息不完整和不确定的多个故障情况下对电力系统的故障断面估计是有效的。 . 由此产生的用于优化的新型膜计算模型在这里被称为自适应优化尖峰神经 P 系统 (AOSNPS)。数值结果表明，所提出的方法对于解决 0/1 背包问题是有效的，并且优于文献中提出的多种算法来解决同一类问题，即使对于大量项目（高维）也是如此。此外，案例研究表明，AOSNPS在IEEE 39总线系统和IEEE 118总线系统中的单个故障、多个故障以及信息不完整和不确定的多个故障情况下对电力系统的故障断面估计是有效的。 . 数值结果表明，所提出的方法对于解决 0/1 背包问题是有效的，并且优于文献中提出的多种算法来解决同一类问题，即使对于大量项目（高维）也是如此。此外，案例研究表明，AOSNPS在IEEE 39总线系统和IEEE 118总线系统中的单个故障、多个故障以及信息不完整和不确定的多个故障情况下对电力系统的故障断面估计是有效的。 . 数值结果表明，所提出的方法对于解决 0/1 背包问题是有效的，并且优于文献中提出的多种算法来解决同一类问题，即使对于大量项目（高维）也是如此。此外，案例研究表明，AOSNPS在IEEE 39总线系统和IEEE 118总线系统中的单个故障、多个故障以及信息不完整和不确定的多个故障情况下对电力系统的故障断面估计是有效的。 .