本论文主要进行粗糙集和遗传算法的理论研究,属于智能信息处理和进化计算学科的交叉范畴。论文在对粗糙集和遗传算法进行理论研究的基础上,将粗糙集理论融入遗传算法来求解0-1背包问题。即利用粗糙集分析遗传进化过程中产生的大量数据,发现重要基因位,并以此确定进化的方向,从而对大规模背包问题进行有效求解。0-1背包问题(Knapsack Problem,简称KP)是一个经典的组合优化问题,具有广泛的实际应用背景。生活中的许多问题都可以用背包问题来描述,如资源分配、货仓装载、资金预算、存储分配和项目选择等都可以建模成背包问题,并且它还常常作为其他复杂组合优化问题的一个子问题。但是当背包问题规模过大时,如果想得到最优解是极其困难的,因此开展对大规模0-1背包问题的研究具有重要的意义。以往解决背包问题的方法大体上可以分为两类:精确算法和近似算法。由于精确算法在问题规模较大时,计算复杂性一般很大,因此在工程中往往不够实用。而以遗传算法(Genetic Algorithm,GA)为代表的近似算法虽然可以得到近似最优解,但该算法在问题规模较大时容易早熟,得到的结果并不理想。针对以上问题,本文在前人研究经验的基础上做了进一步的研究,将粗糙集(Rought Set,RS)的属性化简功能融入遗传算法来求解0-1背包问题,以提高遗传算法的搜索速度和解的质量。本文主要做了以下工作:第一、论述了目前关于背包问题求解的各种算法,对这些方法的优缺点进行了比较和总结,指出背包问题研究的发展趋势。第二、对遗传算法进行了研究和分析,由遗传算法的局限性引出了进化算法研究的新方向——基于知识的混合进化。第三、将粗糙集的属性化简功能融入遗传算法(Rough Set in GA, RSGA)求解背包问题。利用粗糙集的属性化简功能找出背包问题中进化求解的重要基因,并以此基因作为遗传算法交叉操作的根据,利用这些确定的基因位引导GA的进化方向。并将该算法在Matlab仿真平台上进行测试,实验结果表明该方法改变了遗传算法随机寻找交叉点的方式,提高了解的品质。