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。     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

矩形件排样问题的遗传算法求解

本文研究了求解矩形件正交排样优化问题的遗传算法。同时，将矩形件正交排样问题转化为一个排列问题，提出了求一个排列所对应的排样图的下台阶算法（改进的ＢＬ算法）将下台阶算法与遗传算法相结合，用于矩形件排样问题的求解，给出了该算法的实现。用该算法对文献中的两个算例进行了求解，结果表明该算法获得了比ＢＬ算法更好的解，是一种较为行之有效的方法。     

基于遗传算法的大规模矩形件优化排样

大规模矩形件优化排样是一个典型的组合优化问题，属于NP-hard问题．实际工程中对一个排样方案一般有满足“一刀切”的工艺要求，“一刀切”要求增加了对排样的约束．提出的优化算法，将矩形匹配分割算法作为遗传算法染色体的解码器实现一个排样方案，用遗传算法进行排样方案的全局搜索．算例比较表明，该算法可以求得满足“一刀切”约束的最优解．     

矩形件智能优化排样算法与应用

文章在分析智能优化算法的基础上,针对下料生产作业中解决排样问题的需要,提出了将遗传算法、模拟退火算法分别与"最低水平线法"排放算法结合来进行矩形件优化排料的方法,并通过实例分析比较了两种智能优化算法的应用效果.     

遗传算法在矩形件优化排样中的应用

遗传算法是一种全局优化的数值计算方法。与传统优化算法相比,它对函数的要求不高,一般不会陷入局部最优解,更适应于求解大规模离散化问题。该文将遗传算法应用于工程问题的一个典型离散优化问题矩形件优化排样。通过该算法可以找出高效率的排样加工方法。设计结果能广泛应用于各零件的排样加工实例。     

矩形件优化排样的混合启发式方法

提出一种启发式递归与遗传算法相结合的混合启发式算法求解矩形件优化排样问题。首先给出一种启发式递归算法,利用该算法逐个从待排矩形件中生成局部利用率高的条料,直到所有待排矩形件均生成条料;利用遗传算法全局搜索能力强的特点,对这些条料序进行搜索重组,使其所用的板材数最少;最后再次利用遗传算法,对条料生成之前的矩形件种类序进行全局最优搜索,使总的板材利用率达到了最大。对两个典型实际算例进行计算,并与相关文献比较,结果表明了该算法的有效性。     

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。     

一种用于矩形排样优化的改进遗传算法

矩形排样优化属于NPC问题,在工业界有着广泛的应用,如布料切割、金属下料和新闻组版等。提出了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,并将改进的自适应遗传算法和IBL启发式布局算法相结合,有效地解决了矩形排样优化问题。对比实验结果表明,环形交叉算子和环形变异算子对遗传算法是有效的,所提出的改进混合自适应遗传算法能够在一个较短的时间内找到满意解。     

基于遗传模拟退火算法的不规则多边形排样

将遗传授拟退火算法应用于计算机辅助排样领域，设计了一种基于遗传模拟退火技术的启发式排样算法．该算法能够处理不规则多边形的排样问题；同时，给出一种对象的几何表达方式，可以忽略高度不规则形状带来的复杂性影响．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．     

求解三维装箱问题的混合遗传模拟退火算法

集装箱装载是货物运输过程中重要的一步,其属于NP-hard问题。为了提高效率,降低成本,提出了以集装箱体积利用率最大化为目标建立三维装载模型,同时考虑体积约束、重量约束、重心约束、方向约束。利用混合遗传、模拟退火与三空间分割启发式装载算法求解模型,算法中融入局部最优解保存策略来避免局部较好解在后续的算法过程中出现适应度降低的情况。通过强异类算例与弱异类算例对算法进行性能测试,并结合具体的货物装载数据,得出三维装载图与目标函数值。结果表明,该算法应用于集装箱装载有着较好的效果。     

求解三维装箱问题的混合模拟退火算法

提出了一个高效求解三维装箱问题(Three Dimensional Container Loading Problem 3D-CLP)的混合模拟退火算法.三维装箱问题要求装载给定箱子集合的一个子集到容器中,使得被装载的箱子总体积最大.文中介绍的混合模拟退火算法基于三个重要算法:(1)复合块生成算法,与传统算法不同的是文中提出的复合块不只包含单一种类的箱子,而是可以在一定的限制条件下包含任意种类的箱子.(2)基础启发式算法,该算法基于块装载,可以按照指定装载序列生成放置方案.(3)模拟退火算法,以复合块生成和基础启发式算法为基础,将装载序列作为可行放置方案的编码,在编码空间中采用模拟退火算法进行搜索以寻找问题的近似最优解.文中采用1500个弱异构和强异构的装箱问题数据对算法进行测试.实验结果表明,混合模拟退火算法的填充率超过了目前已知的优秀算法.     

一种改进的矩形件优化排样近似算法

分析了传统矩形件优化排样近似算法的主要缺陷，并在此基础上提出了一个改进算法，运用该算法获得了比原算法更好的优化排样结果。     

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。     

求解SAT问题的退火遗传算法

提出一种将遗传算法与模拟退火算法相结合的SAT问题求解算法SAT-SAGA.该算法以遗传算法流程为主体,并把模拟退火机制融入其中,用以调整优化群体,防止陷入局部最优和出现早熟;在进化过程中算法采用了最优染色体保存策略,防止进化过程的发散.实验表明:该算法在求解速度、成功率和求解问题的规模等方面都有明显的改善.     

矩形件优化排样问题的混合遗传算法求解

利用遗传算法结合剩余矩形排样法求解矩形件正交排样问题。通过遗传算法将矩形件正交排样问题转化为一个排列问题,并引入剩余矩形排样算法来惟一确定每一个排列所对应的排样图(即排样方案),两者结合用于求解矩形件排样问题。最后用此混合遗传算法对文献[1]中的两个算例进行了验证,表明了其有效性。     

一种自适应的模拟退火算法

提出一种自适应ＳＡ算法,该算法根据邻域搜索进展的反馈信息,自适应确定温度变化和邻域搜索强度。对Ｆｌｏｗ ｓｈｏｐ问题的计算结果表明,该算法基本独立于初始温度的选择,具有较强的鲁棒性。     

退火遗传算法的多连接查询应用

多连接查询的优化是数据库查询的关键问题之一,遗传算法与模拟退火算法的结合有利于全局最优解的搜索。提出了一种混合算法,并将其应用到多连接优化问题中,改进了获得最优查询计划的性能。