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．     

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。     

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。     

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。     

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。     

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，并引人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。     

矩形件排样优化的一种近似算法

本文对理论上属于ＮＰ－完备问题的二维矩形件优化排样问题，构造了一个效率高、速度快、可令人满意的一种近似算法，该算法的主要思想是在排样过程中根据一种局部最优原则不断地动态产生一些较小的矩形，然后对这些小矩形区域排样，同时也消去一些已排过的矩形区域，直至所有的矩形件被排完，根据本文算法我们开发了一个矩形件排样系统。     

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。     

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。     

A genetic algorithm for the two-dimensional knapsack problem with rectangular pieces

Given a set of rectangular pieces and a rectangular container, the two-dimensional knapsack problem (2D-KP) consists of orthogonally packing a subset of the pieces within the container such that the sum of the values of the packed pieces is maximized. If the value of a piece is given by its area, the objective is to maximize the covered area of the container. A genetic algorithm (GA) is proposed addressing the guillotine case of the 2D-KP as well as the non-guillotine case. Moreover, an orientation constraint may optionally be taken into account and the given piece set may be constrained or unconstrained. The GA is subjected to an extensive test using well-known benchmark instances. Compared with recently published methods, the GA yields competitive results.     

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     

基于单亲遗传算法的最优布局问题求解

在单亲遗传算法的基础上提出了一种最优布局问题的求解方法,它不要求初始群体的多样性,同时避免了早熟收敛.以常见的矩形件排样优化问题为例,说明了该方法的可行性和高效性.     

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。     

基于改进初始解的遗传算法的布局设计方法

带性能约束的三维布局问题属于具有很强应用背景的组合优化问题,进行了基于全局的布局求解方法的探索。由于NP完全问题的计算复杂性,使得遗传算法求解问题的全局最优解时效率较低。改进了遗传算法的初始解,对提高算法的效率进行了研究。并以旋转卫星舱布局的简化模型为背景,建立了多目标优化数学模型。实例结果与传统遗传算法以及乘子法的计算结果比较,表明该算法具有较好的求解效率。     

二维不规则零件排样问题的遗传算法求解

提出一种基于遗传算法求解二维不规则零件排样问题的方法,通过提取零件的最小包络矩形,将其转变为矩形件的正交排样问题,应用一种有效的解码算法－“最低水平线法”将编码转变为排样图。实例表明,该算法是有效的。     

用于求解二维圆形排样问题的自适应混合算法

针对二维圆形版面不等圆排样问题,在最小局部距离定位布局策略的基础上,引入紧凑度和适应度,提出基于拟矩形排样的自适应启发式算法,并与以自然数编码的遗传算法相结合构建混合算法。该混合算法发挥两者的全局搜索能力与局部寻优能力。在标准测试算例上,与一些经典算法进行比较,结果表明,该算法能够在更短的时间内获得更为满意的结果。     

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。     

An exact strip packing algorithm based on canonical forms

Given a set of rectangles and a rectangular container with a fixed width, called a strip, the two-dimensional strip packing problem (2SP) requires all the given rectangles to be placed orthogonally without overlap within the strip so as to minimize the height of the strip. 2SP and its variants have many applications in steel and textile industries, including an indirect application in scheduling problems. However, 2SP is known to be NP-hard.     

A型变尺寸装箱问题之模型及算法研究

作为对经典一维装箱问题的推广,提出一种A型变尺寸装箱问题（A-shaped Variable-sized BinPacking Problem,简称A SVBP）,即在物品的装箱过程中,每样物品有高度和横截面积两个参数,并且箱子的大小不一。该问题在文件系统管理和日常生活中的运输等问题中有着广泛的应用背景。把装箱问题的经典算法以及遗传算法推广到A型变尺寸装箱问题,实验结果表明：按照本文提出的求解模式,离线情况下求解A型变尺寸装箱问题最终结果的质量取决于预先求解其退化为经典装箱问题时的算法,求解物品装箱序列时用首次适应混合遗传算法比用Next Fit算法、First Fit算法、Best Fit算法最终得到的结果要好。