不规则区域矩形件排样的一种改进算法

采用遗传算法解决不规则区域的矩形件带排样问题,用有序的带符号整数串作为初始种群个体,改善了初始个体解的质量.提出基于最低水平线的择优插入算法,同时考虑不规则区域的左右两端区域,选取最适合的零件进行填充,使零件排放紧凑,提高了材料的利用率.     

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。     

改进的双种群遗传算法在矩形件排样中的应用

在矩形件排样问题中,按照面积大小的顺序排放通常比随机排放效果要好,因此在遗传算法的随机初始的种群中加入部分按照面积大小排序的个体以达到加速收敛的目的。然而在同一个种群中,这部分个体适应度高,迭代前期快速扩散,使得种群多样性降低,导致遗传算法过早熟。针对此缺陷把随机个体作为一个种群,按照面积大小排序的个体作为另一个种群并采用特定的交叉方式保证此种群子代个体大体上按面积大小排序局部乱序。此外,针对最低水平线搜索算法搜索频率低的缺陷,增多了搜索的发生时机,实现更频繁的调整排序提高遗传算法局部搜索能力。实验结果表明了改进后算法的有效性。     

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。     

矩形件优化排样的一种启发式算法

对大规模矩形件正交排样问题,提出了一种快速高效的启发式排放算法。对当前的可排放位置（水平线）,用贪婪算法从未排矩形件中选择可排放于该水平线的最优矩形件组合块;根据各个排放位置与其对应的矩形件组合块的匹配程度,选择最优的可排放位置（最优水平线）优先排放。在排放时,为了便于后续排放,先将待排放位置对应的矩形件组合块从低到高进行排序,再排放。对E.Hopper提供的规模最大的一类实例进行计算,排样率都在99%以上,平均排样率达到了99.38%,平均计算时间只用了1.12秒。与相关文献最好结果进行了比较,结果表明该文算法解决大规模的矩形件排样具有高效性。     

基于改进免疫遗传算法的矩形件排样

文章在基本免疫遗传算法的基础上提出了针对矩形件排样问题的改进算法,探讨了能记忆排样过程先验知识的浓度算子对排样过程的影响,实验证明是有效的。     

矩形件三阶段带排样问题的遗传算法

采用混合遗传算法求解矩形件带排样问题,采用三阶段排样方式以满足特定的约束或简化切割工艺。改进遗传算子,在变异操作之后使用调整操作,以进一步简化得到的排样方案。在初始种群构造时,根据矩形件的特性采用一些简单有效的方法,使结果更好更快地收敛。实验结果表明方法对解决这类问题是有效的。     

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．     

基于改进遗传算法的矩形件优化排样

论文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。通过对排样问题已知解信息进行统计分析,并根据分析结果改进原遗传算法判断个体好坏的标准,对父代种群进行了优劣分类,针对不同的分类采用不同的遗传操作,构造出一种改进遗传算法。通过实例验证,该算法得到了排样问题的最优解,说明了其有效性。     

二维矩形条带装箱问题的底部左齐择优匹配算法

针对二维矩形条带装箱问题提出了一种启发式布局算法,即底部左齐择优匹配算法(lowest-level left align best fit,简称LLABF). LLABF算法遵循最佳匹配优先原则,该原则综合考虑完全匹配优先、宽度匹配优先、高度匹配优先、组合宽度匹配优先及可装入优先等启发式规则.与BL(bottom-left),IBL(improved-bottom-left)与BLF(bottom-left-fill)等启发算法不同的是,LLABF能够在矩形装入过程中自动选择与可装区域匹配的下一个待装矩形     

求解矩形Packing问题的基于遗传算法的启发式速归策略

An improved heuristic recursive strategy combining with genetic algorithm is presented in this paper. Firstly, this method searches some rectangles, which have the same length or width, to form some layers without waste space, then it uses the heuristic recur sive strategies to calculate the height of the remaining packing order and uses the evolutionary capability of genetic algorithm to reduce the height. The computational results on several classes of benchmark problems have shown that the presented algorithm can compete with known evolutionary heuristics. It performs better especially for large test problems.     

求解矩形Packing问题的基于遗传算法的启发式递归策略

An improved heuristic recursive strategy combining with genetic algorithm is presented in this paper. Firstly, this method searches some rectangles, which have the same length or width, to form some layers without waste space, then it uses the heuristic recursive strategies to calculate the height of the remaining packing order and uses the evolutionary capability of genetic algorithm to reduce the height. The computational results on several classes of benchmark problems have shown that the presented algorithm can compete with known evolutionary heuristics. It performs better especially for large test problems.     

求解2D条带矩形Packing问题的迭代启发式算法

为求解二维矩形条带装箱问题,提出了一种新颖而有效的启发式算法.算法主要包括矩形装载适应度的计算规则和树型迭代搜索规则,通过选择最高适应度的矩形来装载空间.对大量国际上公认的Benchmark问题实例的计算结果表明,相对于当前的很多著名算法,提出的算法更加有效.     

求解不等圆布局问题的一类遗传算法物方法

在已有求解不等圆布局问题算法的基础上 ,根据问题特点提出了一类遗传算法 ,通过将拟物方法与标准遗传算法结合使用 ,较好地解决了对布局优化函数进行全局最优求解的问题 最后通过实例计算验证了本算法的有效性 .     

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。     

求解矩形装箱问题的一种近似算法

提出了利用近似算法求解二维矩形装箱问题的最小高度的一种方法。该方法基于启发式递归策略和遗传算法。利用启发式递归策略把所有大小各异的矩形都装入宽度固定的矩形容器中，并计算装完后所需容器的高度，用遗传算法的进化能力优化高度，使得所需容器的高度尽可能小。计算数据证明这种方法能够得到很好的结果，特别是对数据量大的测试问题，效果更好。     

求解不等圆Packing问题的一个启发式算法

求解具有NP难度的圆形packing问题具有很高的理论与实用价值.现提出一个启发式方法,求解了货运中常遇到的矩形区域内的不等圆packing问题.此算法首先将待布局圆按半径大小降序排列,然后用占角动作来逐个放置.通过试探性地放入一个或多个待布局圆,给出了占角动作的度以及更全局的有限枚举策略来评价占角动作的优度.在放置每一个圆时,以贪心的方式选取当前具有最大优度的占角动作来放置.最后用测试算例验证了算法的高效性.     

基于遗传算法的SDN网络装箱问题研究

随着网络规模愈加庞大和复杂,运营商正处于逐渐从传统IP网络向SDN网络架构发展阶段。论文以SDN架构下的网络为研究对象,建立以最大带宽利用率最小化和新增业务后全局网络扰动最小为目标的网络模型,提出基于改进的遗传算法对复杂网络环境下的装箱问题进行求解。利用Java编写并模拟仿真当前运营商主流网络场景IPRAN,分析遗传算法和其他启发式算法,如粒子群,模拟退火算法在装箱问题的优化效果,验证所提出的改进遗传算法对于解决网络装箱问题的有效性。