一种二维不规则零件优化排样算法

将模拟退火算法和粒子群算法相结合，提出了一种基于模拟退火的粒子群算法。采用交叉和柯西变异运算，提高了算法的收敛速度和精度。将该算法应用于求解二维不规则零件排样问题，首先将二维不规则零件的排样问题转化为矩形件的排样问题，然后应用该算法进行优化求解，在求解过程中应用自适应调整策略对零件的排样位置进行微调。排样结果表明该算法是行之有效的。     

基于小生境遗传模拟退火算法的不规则件优化排样

针对二维不规则图形零件在排样区域上的最优排列问题,将排样和制造工艺联系起来,先将多边形各边向外扩充,为零件预留加工余量;然后采用遗传模拟退火算法与小生境技术相结合,寻找排样件在排样时的最优次序及各自的旋转角度,再用基于"最低水平线与填充算法相结合"策略的启发式排样算法实现二维不规则件自动排样,得到了满意的优化排样结果。     

改进粒子群算法在二维排样中的研究与应用

针对服装行业二维不规则样片优化排样问题,提出了一种改进的粒子群优化排样方法．该算 法在传统的粒子群优化算法中先引入小生境的思想,将种群划分成多个子群,各子群运用粒子群算 法单独进化,取出各子群进化后的最好粒子,又可形成新群体,新群体运用混合蛙跳算法进化,使子 群的最好粒子进一步更新,种群的多样性进一步增强,全局寻优的能力进一步提升．该算法概念简 单,易于实现,具有较好的能力去搜索全局最优解和较快的收敛速度．实验结果表明该算法是有效的．     

基于遗传算法的二维不规则形排样研究

二维不规则零件的排样问题,在理论上属于NP完全问题,有着较高的计算复杂度,求解很困难,但是在工业上有着广泛的应用,迫切需要解决此类问题.笔者结合启发式算法思想,将二维不规则图形排样问题建模成一个变异的旅行商问题,采用遗传算法求解.并在经典BL排样算法基础上进行改进,提出了一种基于多路径搜索的图形排样算法,在此排样算法基础上,应用遗传算法优化计算,成功的解决了不规则图形的排样问题.     

基于免疫原理的粒子群排样优化方法

针对排样优化中种群个体多样性保持及全域寻优存在的问题,将免疫系统的免疫信息处理机制引入到粒子群优化算法中,建立求解排样问题的粒子群免疫优化方法。该方法借鉴人工免疫中抗体的多样性保持机制及免疫记忆功能,强调优势基因的进化和浓度稳定,提高了算法的全域搜索速度并保持了群体多样性。实验表明,在对船舶不规则件排样优化问题求解中,免疫机制对粒子群优化的最优搜索具有较好的有效性和较高的可行性。     

基于神经网络的不规则件排样技术

提出一种利用人工神经网络求解不规则件排样问题的方法。对于二维不规则零件在排样区域上的优化排列,采用自组织特征映射模型(SOM)和Hopfield人工神经网络相结合的方法,寻找排样件在排样时的最优位置及各自的旋转角度,实现了二维不规则件自动排样,得到满意的优化排样结果,实例证明了该算法的有效性和实用性。     

马斯京根模型参数反演的改进粒子群算法

针对传统粒子群算法容易陷入局部最优(即"早熟"现象)的问题,将基于适应值共享原则的小生境策略与粒子群算法相结合,提出了一种改进的粒子群算法——小生境粒子群算法,并将之应用于4个典型测试函数的数值仿真以及基于马斯京根模型的参数反演计算。数值模拟结果显示,相比于传统的粒子群算法,小生境粒子群算法具有精度高、收敛速度快的特点,但其抗噪性较差。为了进一步提高算法的抗噪性,将基于小波多分辨分析的多尺度反演策略和小生境粒子群算法相结合构造了多尺度小生境粒子群算法。带有5%随机噪声的马斯京根模型参数反演结果显示,新提出的多尺度小生境粒子群算法能够有效提升小生境粒子群算法的抗噪性,从而使反演结果的精度得到较大的改善。     

定序列矩形件优化排样的二维搜索算法

为了提高矩形件排样时材料的利用率,针对定序列矩形件优化排样问题,本文在＂基于最低水平线的搜索算法＂的基础上,提出了一种改进的矩形件优化排样算法——基于最低水平线的二维搜索算法.此改进算法在＂基于最低水平线的搜索算法＂基础上,进行了排样宽度的二维搜索,并将该改进算法与其他算法进行实例排样比较,排样结果表明,改进后的排样算法能有效地利用排样时产生的空白区域,在提高材料利用率上具有可行性和有效性.     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

临界多边形生成算法的改进

二维不规则形状零件排样是将给定的若干不规则形状零件合理、较优地排放在给定的材料中，使得材料利用率最大.求解一个多边形相对于另一个多边形的临界多边形，不规则形状零件自动排样算法中的关键技术，而且需要反复调用.探讨了斜率法求解临界多边形的优点，分析了该方法的任意两个多边形有多边重叠的情形时出现错误的原因，给出了对斜率法的改进方法，通过实例验证，该方法是有效可行的.     

基于压缩因子粒子群的组合排样的研究

针对服装行业排样问题,提出了一种基于压缩因子粒子群的组合排样方法.该方法首先对样片进行预处理,接着通过k-means动态聚类样片,得到具有相似特征的同类样片,再将同类样片进行有选择性的组合,得到组合样片.然后提取利用率高于单个样片的组合样片的外轮廓,将其作为最终排样样片.最后结合有较强的搜索能力的压缩因子粒子群算法进行排样,从而实现服装样片的优化排样.实验表明:所提的组合排样方法能有效提高排样的效率和减少排样所需的时间.     

基于改进的二维Otsu法及PSO的火灾图像分割

针对传统的二维灰度直方图区域划分误差大和运算速度慢等问题,提出一种基于二维直方图和粒子群优化的阈值分割算法,即改进的二维最大类间方差法的粒子群优化算法.利用该算法在二维灰度空间上自适应搜索最优阈值,根据最优阈值对图像进行分割.选取森林火灾火焰图像,对其进行图像分割仿真实验.实验结果表明,该算法的分割效果较好,具有很好的抗噪性能,可有效提高运算速度,且实时性较好.     

关于二维不规则零件自动板材排料的研究

在讨论二维矩形排料的优化、二维不规则零件排料方法的基础上,介绍了一种“逐渐逼近”算法,该算法已应用到自行开发的二维不规则零件的自动板材排料系统中,效果较好．     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

基于粒子群优化模糊核聚类的电梯群交通模式识别

为了改善电梯群控系统的性能,使电梯群节能并高效运行,针对不同的交通模式采用合理的调度算法对电梯群进行优化调度,提出一种基于粒子群(PSO)的模糊核聚类算法(KFCM)的电梯交通流模式识别方法．利用基于梯度下降的粒子群优化算法代替KFCM算法的迭代过程,可使算法具有较强的全局搜索能力和局部搜索能力,并降低了KFCM算法对初始值的敏感度．利用核方法将低维特征空间的样本映射到高维特征空间,增加对样本特征的优化,并使样本特征在高维特征空间线性可分,更加容易聚类．采用在某办公楼采集的电梯交通流数据作为测试样本,仿真结果表明,与FCM聚类算法相比,该算法具有良好的性能指标,对电梯交通流的聚类效果更准确．     

基于启发式二步搜索法的二维板材自动排料系统

为实现多种类不规则板类零件二维排料过程自动化,提出了一种新的排料算法——启发式二步搜索法。通过对零件预处理、计算评价函数、确定合理的零件选择规则和定位规则,完成了零件在板材上的排放。最后,通过排料实例验证了算法的有效性和系统的实用性。     

改进A星算法移动机器人路径规划

采用粒子群算法搜索每个栅格内的最优点坐标,将传统A星算法的搜索角度任意化。仿真表明,改进A星算法得到的路径缩短了4%,平均转折角度减小了54%。     

基于改进蛙跳算法的可重构装配线调度研究

提出了一种改进蛙跳算法,该算法综合运用了ＳＰＶ规则编码、启发式算法和随机方式初始 化、自适应小生境的精英解集维护、结合粒子群算法中的粒子更新策略的局部搜索．通过该算法来 解决可重构装配线调度中的三个主要影响因素,即最小重构装配线成本、最小零部件需求变化率、 最小延误工作量构成的调度模型．实例仿真表明,该算法具有比其他相关算法有更高的求解质量．     

基于TS模糊推理的自适应量子行为粒子群优化算法

为进一步改善量子行为粒子群优化算法的性能,保证搜索过程中粒子群的多样性,本文提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法。该算法利用群体分布和搜索进程信息,通过TS模糊推理,动态调整算法参数及迭代方式,提升种群在更大空间搜索的能力,减少陷入局部最优的几率,并通过若干标准测试函数仿真和威氏(Wilcoxon)符号秩次检验。研究结果表明,与传统的粒子群优化算法相比,自适应量子行为粒子群优化算法性能更好,不但迭代初期收敛快,而且能收敛到理论最优值,尤其对复杂高维函数的优化问题更有效。该研究改善了量子行为粒子群优化算法的性能。