基于遗传模拟退火算法的矩形件优化排样

为了探索更高效的矩形件优化排样方法,提出了一种改进的自适应遗传模拟退火算法。设计了基于矩形件的排样次序及旋转变量的两层染色体编码方法,并采用基于临界多边形的BL定位策略实现矩形件的布局;通过构造启发式算法生成排样初始种群,然后各个种群之间通过相互竞争实现优秀个体的迁移与共享,最终搜索到最优解。标准测试问题的实验结果验证了所提算法的可行性与有效性。     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

基于模拟退火剩余矩形算法的矩形件排样

针对矩形件优化排样问题,讨论了用模拟退火算法结合剩余矩形法求解问题。首先阐述了矩形件排样问题的数学模型,然后给出了模拟退火剩余矩形算法求解问题的步骤和方法,最后用实例进行了算法验证。实例分析表明,采用模拟退火剩余矩形算法求解矩形件排样问题是适合的。     

缺陷板材非规则件优化排样

针对理论上属于NPC 问题的非规则件优化排样问题,论文提出一种基于 小生境技术的自适应遗传模拟退火算法与基于内靠接临界多边形最低点的启发式布局算法 相结合的方法。考虑到算法中交叉概率和变异概率的选择影响到算法收敛性,提出了自适应 的交叉概率和变异概率,通过基于小生境技术的遗传模拟退火算法对非规则件排样的最优顺 序和各自的旋转角度进行优化搜索。将非规则件定位在有缺陷原材料和非规则件多边形的内 靠接临界多边形最低点以实现个体的解码,同时避开了原材料表面缺陷。排样实例表明,该 优化排样算法行之有效,具有广泛的适应性。     

基于自适应遗传算法和多条带策略的排样方法研究

针对现代工业工艺生产中普遍存在的矩形件排样优化问题,在遗传算法的主要环节应用性能较优的算子对矩形件排样序列进行了求解,并运用交叉概率和变异概率能自适应调整的方法来提高遗传算法的收敛速度及稳定性。提出了满足工艺生产切割要求的多条带策略,辅以最低水平线算法的择优插入策略对矩形件序列进行解码。实验结果表明, 与分层策略相比,所提出的排样方法不仅能得到 更高、更稳定的板材利用率,而且还能提高工艺生产的效率并降低生产的时间成本,具有重要的现实意义。     

基于遗传模拟退火算法的布局优化研究

为提高矩形件排样算法的利用率与时间效率,提出将遗传算法和模拟退火算法融 合优化的矩形排样算法。采用带符号的十进制编码,依据矩形件长宽比和面积而生成基因序列用 于建立初始种群,以随机产生若干排样顺序与排样尺寸不一的个体,并以利用率为适应度函数, 修改后的最低水平线搜索算法作为排样策略,保证较优个体得以保留,减少闲置区域的产生。 采用10 组随机产生的矩形数据将本算法与现有文献提出的GA 算法进行对比实验,实验结果显 示：该算法有效地提升了排样结果的利用率与时间效率。     

基于改进最低水平线方法与遗传算法的矩形件排样优化算法

传统的最低水平线方法用于矩形件排样时可能产生较多未被利用的空白区域,造 成不必要的材料浪费。针对此缺陷,在搜索过程中引入启发式判断,实现空白区域的填充处理, 提高板材利用率。在应用遗传算法优化矩形件排样顺序时,在进化过程中采用分阶段设置遗传 算子的方法,改善算法的搜索性能与效果。通过改进最低水平线方法与基于分阶段遗传算子的 遗传算法相结合,共同求解矩形件排样问题。排样测试数据表明,所提出的矩形件排样优化算 法能够有效改善排样效果,提高材料利用率。     

遗传模拟退火算法在服装排料中的研究

提出了一种基于遗传模拟退火算法的启发式排样算法,并将这种算法应用于服装排样领域以减少原料的浪费。该算法通过基于遗传模拟退火算法的全局优化概率搜索,寻找排样件在排样时的最优次序及各自的旋转角度,然后采用基于左下角(BL)策略的启发式排样算法实现自动排样。     

一种快速的有约束矩形件优化排样模型

为了有效地解决有约束的矩形件优化排样问题,提出一种快速的求解算法;通过比较待排样矩形件的不同排样模式,选择最优排样方案。算法完全基于解析计算,虽不能寻找理论最优解,但相比于各种启发式算法大大提高了排样速度。实验结果表明,算法能够在较短的计算时间内获得满意的排样效果,是一种效率较高的有约束矩形件排样算法。     

基于遗传算法和模拟退火算法的布局问题研究

文章在介绍遗传算法和模拟退火算法的基本理论及主要特点的基础上,提出了一个基于遗传算法和模拟退火算法的求解布局问题(矩形件排样优化)算法,并通过算例验证了该算法的有效性。     

A new fuzzy adaptive simulated annealing genetic algorithm and its convergence analysis and convergence rate estimation

Due to shortcomings of genetic algorithm that its convergence speed is slow and it is often premature convergence, a new improved genetic algorithm—fuzzy adaptive simulated annealing genetic algorithm (FASAGA) is presented by integrating fuzzy inference, simulated annealing algorithm and adaptive mechanism. The strong Markovian property attributed to the population sequence was deduced by mathematical modeling. Then the convergence in probability of the FASAGA was proved on the condition that the time tended to infinity. Then convergence speed of FASAGA was estimated and some quantitative results were achieved. The simulation results validated the theoretical analysis conclusions. This work is helpful to further analyze and improve optimization performance of FASAGA and other hybrid genetic algorithms.     

Two-dimensional equilibrium constraint layout using simulated annealing

This paper studies the layout optimization problem with equilibrium constraint. It is a two-dimensional packing problem with the industrial background of simplified satellite module layout design, and is known as NP-hard problem. By incorporating the heuristic neighborhood search mechanism and the adaptive gradient method into the simulated annealing procedure, a heuristic simulated annealing algorithm is put forward for this problem. The special neighborhood search mechanism can avoid the disadvantage of blind search in the simulated annealing algorithm, and the adaptive gradient method is used to execute local search and speed up finding the global optimal solution. Numerical examples are illustrated to verify the effectiveness of the proposed algorithm.     

基于曲线自适应和模拟退火的蝗虫优化算法

针对蝗虫优化算法容易陷入局部极值点、收敛速度慢、精度较差等缺点,提出曲线自适应和模拟退火蝗虫优化算法。首先,引入曲线自适应代替蝗虫优化算法关键参数的线性自适应,提高了算法的全局搜索能力;其次,在此基础上引入模拟退火算法,对蝗虫算法的劣势解具有一定概率的接收,使算法具有跳出局部最优,实现全局最优的能力。自适应缩小模拟退火中蝗虫位置随机解的范围,有利于进一步提高蝗虫算法的开发能力。通过测试函数测试,实验结果表明,改进的新算法具有更好的求解质量和收敛速度。     

基于离散粒子群算法的矩形件优化排样

目前,粒子群算法在连续问题优化上的应用已经很广泛,然而在离散问题优化方面仍处在尝试阶段.提出了一种改进粒子群算法来解决矩形件排样优化问题(离散优化问题).该算法融合了遗传算法中的交叉和变异思想,采用了信息交流策略,使其达到快速优化目的.算法也对"最低水平线法"解码方式进行了改进.实验结果表明,该算法具有快速,高效特点,与现有同类算法比较,在解决矩形件排样问题方面的优势明显.     

汽车零部件物流网络优化设计与实现

针对现阶段汽车零部件物流网络优化问题,提出以区域分销中心选址为基础的汽车零部件物流网络优化解决方案,包括符合汽车零部件物流特点的物流网络优化模型。由于遗传算法的局限性,采用以模拟退火的思想对遗传算子参数进行自适应的改进方法,以及最优步长搜索技术做出调整与优化。对实际项目的优化和比较结果证明了该自适应遗传算法的有效性和适应能力。     

求解矩形布局问题的自适应算法

矩形布局问题属于NP-Hard 问题,其求解算法多为启发式算法。该文侧重 于构造布局求解算法中定位函数（规则）的优化,将模拟退火算法的思想融入到遗传算法中, 提出了求解矩形布局问题的自适应算法,其利用自适应交叉、变异及接收劣质解的概率等方 法对定位函数中各参数进行优化。算法通过两种方式确定初始种群的数目,具有较强的适应 性。在算法搜索的后期,利用差异性较大的个体进行交叉操作,从而保持种群的多样性。最 后通过实例证明了该算法能够很好的应用于矩形布局问题的求解。     

一种基于距离测度的自适应遗传算法

为了提高基于距离测度的自适应遗传退火算法的收敛概率和收敛速度，提出了一种改进的算法，定义基于距离密集度和适应度的自适应变异概率，采用改进的算术交叉操作和模拟退火操作，并在群体趋于一致时保留最优个体，重新产生其他新个体。利用改进的距离测度实数编码遗传算法对带边界约束函数优化问题进行了仿真计算，结果表明该算法收敛概率较高，收敛速度快，是一种有效的算法。     

不同尺寸工件批调度问题的自适应蚁群退火算法*

研究不同尺寸工件单机批调度问题,将蚁群算法与模拟退火算法相结合,引入自适应状态转移概率,提出了一种自适应蚁群退火算法AACSA(adaptive ant colony simulated annealing)。该算法利用模拟退火算法实现了一种新的混合信息素更新策略,此外根据停滞次数,动态改变状态转移概率,有效地避免算法陷入停滞以及局部最优,提高算法的性能。仿真实验结果表明,AACSA与蚁群优化算法BACO、模拟退火算法SA、启发式规则BFLPT相比,算法求解的性能更好。