基于动态择优定序的矩形件优化排板算法

针对定宽定高板材的矩形件切割下料问题,提出了一种改进的启发式定位优化排板算法。该算法在启发式定位的基础上引入了动态择优定序策略,并通过改进的遗传算法得到较优的矩形件排板序列,然后应用改进的启发式定位算法将编码转化为排板图并得出矩形件排列的相关信息。为提高算法的运行效率,采用了面向对象编程的C#语言。每次排板前,该算法还采用了余料优先利用原则。实用矩形件排板表明,该算法能够提高板材的利用率。     

边缘匹配度算法与变邻域搜索结合的矩形件下料算法

研究了广泛存在于生产制造中的二维矩形件下料问题,提出一种边缘匹配度算法和变邻域搜索算法相结合的混合算法进行求解。首先,分析了一般最低水平线相关算法的缺陷,提出了一种边缘匹配度评价函数。下料时其可以对所有剩余的矩形件进行评价,从中选出与当前布局边缘重合最大的矩形件进行排放。其次,由于下料问题存在上位效应,提出一种与其相匹配的邻域结构,得到了一种适应下料问题的变邻域搜索算法,边缘匹配度算法通过与变邻域搜索算法结合来加强其搜索能力。最后,通过对已有文献的多个案例进行试验。实例证明提出的算法可以得到较好的排样结果,相较于其它算法提高了板材利用率1.16%～12.03%,具有较高的实用性。     

基于动态择优组合的板材切割下料算法

针对二维矩形板件排板利用率问题,提出了一种矩形板件优化组合的排板算法.该算法在最低水平线搜索算法的基础上加入了动态择优组合算法.通过启发式定位算法可以得到板材的切割路径以及板件的排放位置信息.为缩短每次优化排列组合的计算时间,采用了易于描述板材、板件信息的C#语言.为提高板材的利用率,将每次的余料加入数据库并被优先利用...     

基于层次聚类模型的矩形优化排样问题研究

将数据挖掘中凝聚的层次聚类思想引入矩形排样问题求解中。首先计算矩形件两两之间的结合度,将结合度最高的两个矩形件合并形成一个新的矩形件,并重复执行这一步骤,直到所有矩形件合并完成。据此编写算法程序,利用标准数据集进行仿真实验。     

矩形件排样优化贪婪算法及系统开发

针对矩形件排样优化问题,分析了传统近似算法的主要缺陷,在此基础上,提出一种新的排样算法——贪婪算法.该算法的主要思想是在每次排样过程中,都用面积最大的矩形件对板材进行填充.同时,开发了一个矩形件排样优化系统.实际排样结果表明,贪婪算法能够获得比近似算法更有效的排样结果.     

基于蚁群算法的矩形件优化排样问题

由于蚁群算法具有正反馈并行自催化机制和较强的鲁棒性等优点,逐渐成为一种应用广泛的元启发式算法。针对矩形毛坯在定宽无限长的板材上排样这个NP难问题,提出采用蚁群算法进行求解。采用1种2步法:第1步利用蚁群算法寻找最优底部毛坯排放顺序得到条形料排放顺序,第2步采用一种宽度方向最大填充排放算法来排放每个条形料。并将得到的结果与以往算法的结果进行比较,进一步验证了蚁群算法的优越性及处理矩形件排样问题的有效性。     

矩形件排样优化的最小余料删除法

针对矩形件排样优化问题,分析了传统近似算法的主要缺陷,并在此基础上提出了一种新的排样算法———最小余料删除法.实验结果表明,同近似算法相比,最小余料删除法既满足实际生产的工艺要求,并能使板材利用率提高10%以上.     

基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。     

基于协同遗传算法的车间调度问题研究

遗传规划在实际问题中的应用是一个新的发展方向。文章根据车间调度问题的特点,对遗传规划算法进行了改进,借鉴了一种新编码策略将变长编码变成定长,减少了算法复杂度,提高了运算效率;同时设计了一种新的标记交叉算子,这种交叉算法可以有效地避免产生非法解。由于遗传规划问题的收敛性不高,文中将遗传规划和遗传算法有效地结合起来,提出一种协同遗传规划算法,实验表明,改进后的算法比传统算法能更有效地解决车间调度问题。     

具有年龄结构的遗传算法

结合自然规律以及遗传算法的特点 ,提出了具有年龄结构的遗传算法的框架以及实现。该算法能够通过对个体基因不同年龄的不同操作 ,克服遗传算法中存在的主要问题即过早收敛问题。该算法有效地保持群体的多样性 ,使遗传算法顺利地收敛到全局最优值。通过实际的例子说明 ,这种方法克服过早收敛问题并且相对于简单遗传算法提高了收敛速度     

基于遗传算法的考试系统组卷算法设计

本文分析了考试系统中的组卷问题,结合遗传算法,从算法预处理、编码方法、初始化群体、适应度函数、选择算子、交叉算子和变异算子这几个方面,详细地研究了如何采用遗传算法解决组卷问题。并且通过实验数据,与随机抽取算法和其它组卷算法作比较,说明了本算法的优越性。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

提高前馈神经网络学习效率的学习算法探讨

简要分析了最速下降法（Ｓｔｅｅｐｅｓｔ Ｄｅｓｃｅｎｔ Ａｌｇｏｒｉｔｈｍ ,即ＳＤＡ 法）和正交校正共轭梯度法（ＣＧＭ－ＯＣ法）的优缺点,提出了一种进行多层前馈神经网络学习的新算法,即ＳＤ－ＣＧＭ－ＯＣ算法．该算法结合最速下降法与正交校正共轭梯度法的特点,在文中所述实际问题构造模型的基础上,论证了ＳＤ－ＣＧＭ－ＯＣ算法比传统的ＢＰ算法具有更高的学习效率和二次收敛率．实验结果验证了该学习算法的有效性．     

蚂蚁算法在工件排序问题中的应用

蚂蚁算法是近年来新出现的一类随机型仿生算法。它已被成功的应用于组合优化问题中,如旅行商(TravelSalesmanProblem,TSP)问题等。运用蚂蚁算法研究m台机器目标函数为最小时间表长的同顺序车间作业排序问题(Fm|prmu|Cmax),设计出解决该问题的算法步骤与流程;并将蚂蚁算法与解决该问题的其它启发式算法进行了比较。比较的结果说明,蚂蚁算法能有效地解决此类问题,其最优结果优于或者与其他算法的最优结果相当。     

KMP算法与特殊子串滑动算法整合的构想与实践

在数据结构模式匹配算法中,Brute-Force算法是一个重要的基础算法,但是在性能上远不及KMP算法。而理解KMP及其改进算法是一个复杂的问题,其关键是KMP函数的求解过程。通过特殊子串滑动算法与KMP算法整合的实践,简化了特殊问题,省略了KMP函数的求解过程,在很大程度上提高了模式匹配问题的工作效率。     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

一种基于遗传操作的神经网络混合训练算法

介绍了一种改进遗传算法的基本操作,并讨论了综合应用遗传算法及ＢＰ算法进行神经网络的权值训练。通过实例比较和分析了这种混合算法与ＢＰ算法的实验效果。     

基于并行文化微粒群优化算法的非线性方程组解法

并行文化微粒群优化算法是一种改进的微粒群优化算法,具有较强的全局搜索能力。将非线性方程组的求解问题转化为函数优化问题,应用并行文化微粒群优化算法求解非线性方程组的解。计算中不需要使用目标函数的导数信息和初始点信息,数值实验结果表明了该算法的有效性和可行性。     

一种改进的模糊C-均值聚类算法

分析了现有FCM聚类算法存在的问题,提出了一种改进的FCM聚类算法.该算法引入了最近邻聚类算法来初始化FCM算法的聚类数和聚类中心.实例分析表明改进后的FCM算法不仅能提高聚类的准确性,而且能有效地避免陷入局部最优.     

一类非线性二级多目标决策的遗传算法

对非线性双级多目标决策问题,提出了一类非线性二级决策问题的遗传算法的解法。即各级目标函数共用相同的约束条件,对问题分级进行处理;对于每一层利用线性加权法将问题进行简化,将一个非线性二级决策问题转化为多个一级非线性决策问题,再利用遗传算法分别进行求解,可得到原问题的非劣解,从而提供了解决非线性决策问题的一种方法。