维不规则零件排样问题的粒子群算法求解

提出了一种基于粒子群算法求解二维不规则零件排样问题的方法.该方法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,然后利用粒子群算法优化求解,在求解过程中运用自适应调整策略对零件的排样位置进行微调.最后用该优化排样算法对文献中的两个算例求解,排样结果表明该算法是有效的.     

一种矩形件优化排样综合算法

提出了应用于矩形件优化排样中的关键算法：条料生成算法与填充算法．把二者融合在一起，提出了一种适用于矩形件优化排样的最小残料算法．该算法依据残料大小决定条料，并对空白矩形进行有效填充，可快速得到排样结果．将其与模拟退火算法相结合，能够跳出局部搜索，最终可获得近似总体最优的排样结果．     

二维不规则零件排样问题的粒子群算法求解

提出了一种基于粒子群算法求解二维不规则零件排样问题的方法．该方法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，然后利用粒子群算法优化求解，在求解过程中运用自适应调整策略对零件的排样位置进行微调．最后用该优化排样算法对文献中的两个算例求解，排样结果表明该算法是有效的．     

存在表面缺陷原材料的矩形件优化排样问题研究

针对存在表面缺陷原材料的矩形件优化排样问题是一个组合优化问题,提出了一种单亲遗传算法求解方法.研究了将矩形件在板材上的排样转换为遗传算法特定编码的方法,通过单亲遗传算法的遗传算子进行优化搜索,最终得到矩形件排样的最优次序和排放方式,用基于矩形件与板材内靠接临界多边形最低点的排样算法实现在表面存在缺陷原材料上的自动排样.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.     

基于改进遗传算法的二维不规则零件优化排样

针对二维不规则零件排样问题,提出了一种改进的优化排样算法.对最小包络矩形求取方法进行了改进,提高了算法的运算速度;借助最优选择策略,对选择算子进行了改进,提高了算法的全局收敛性能;提出了高度调整法,对解码算法进行了改进,提高了算法的精度.排样实例表明,算法性能得到了很大提高,该算法是行之有效的.     

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.     

适合“一刀切”剪切方式的矩形件排样算法

本文以满足剪板机加工工艺要求,提高板材的利用率为出发点,研究了大量国内外有关矩形件排样的各种算法,总结了适合普通剪床"一刀切"剪切方式的丁字尺算法,模拟退火算法,分层排样算法,并给出了算法的实现过程,方法简单易懂易编程,适合大规模矩形件排样,能提高材料利用率和下料效率,期待这些排样算法能为进行矩形排样的学者和从事生产实践的技术人员提供参考价值。     

基于小生境遗传算法的矩形件优化排样

将小生境遗传算法应用于计算机辅助排样领域,提出了一种改进的解码算法--高度调整法,将高度调整法和小生境遗传算法相结合,用于求解矩形件排样问题.该方法首先将矩形件的排样问题转化为便于优化求解的排列问题,然后应用小生境遗传算法的全局优化概率搜索能力进行优化求解,优化计算过程中应用高度调整法将排样序列转化为排样图.用该算法对文献中的两个算例进行了求解,结果表明该算法是行之有效的.     

基于启发式搜索和背包算法的分布式排样系统

针对理论上属于NP完全问题的二维矩形件优化排样问题,构建了一个排样效率高、计算速度快和排样效果好的一种近似算法.并结合计算机网络的大量应用,将算法应用于分布式排样系统.算法的主要思想是采用启发式搜索和背包算法,使每次排样都达到局部最优,从而得到近似最优解.并与其它2种近似算法进行了比较,指出了它们的不足之处,还给出了一个排样实例.     

基于单毛坯条带的矩形件最优两段排样方式

对大规模矩形件排样问题提出一种精确、可生成一种新的满足剪冲下料工艺需求的排样方式:基于单毛坯条带的矩形件最优两段排样方式.采用动态规划算法生成最优单毛坯条带,通过一维背包算法确定条带在级中的排样方式和级在段中的最优排样方式,选择最优的两个段组成排样方式.对传统文献中的43道大规模基准测题进行计算,有38道测题达到最优,剩余5道测题的优化结果与最优化结果的比率达到99.9%,每题的平均计算时间仅用2.17s.结果表明,本文算法优于经典两段和著名的T型排样算法,在解决大规模矩形件排样具有高效性.     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

一种求解矩形packing问题的智能枚举算法

矩形packing问题有许多工业应用,如码头货物装载,木材下料,超大规模集成电路（VLSI）布局设计,新闻排版等。国内外已提出了许多求解此问题的算法,如：遗传算法,模拟退火算法以及启发式算法等。在目前已有研究的基础上,提出了一种智能枚举算法,该算法的关键在于设计一种快速有效的枚举策略。用Hopper和Turton提出的21个矩形packing实例对所提出的算法性能进行了实算测试,平均面积未利用率为0.04%,平均计算时间为277.69 s,并求得了其中18个实例的最优解。实算结果表明：该算法对求解矩形packing问题是行之有效的。     

基于可靠性的供应链设施选址问题的优化模型

针对传统设施选址模型片面追求成本最小化而忽视供应链系统服务水平的情况,建立了一个基于容量有限制的供应链设施选址可靠性问题的多目标优化模型(RCFLP),并针对模拟退火算法与粒子群算法的优缺点,提出了一种混合型智能算法—模拟退火粒子群算法。通过收集中国各个省的人口和各个省会的相互之间的距离数据,构建实例,通过本文建立的模型与模拟退火粒子群算法进行了求解, 并对结果进行了分析,将模拟退火粒子群算法计算结果与模拟退火算法和粒子群算法的计算结果相比较,证明了模拟退火粒子群算法的可以较快地获得较好的全局最优解。     

模拟退火算法在电磁兼容领域的应用

解决了LCD控制电路主芯片对带铆接屏蔽壳主板内部的耦合干扰所产生电磁辐射的优化问题;采用模拟退火法优化带接地铆接点的个数,最大限度的减少谐振频率的出现,使目标函数的电场强度最小,对屏蔽层的穿透能力最弱,辐射干扰最低。实验数据证明,模拟退火算法是优化产品结构参数的有效手段。     

课程表问题的一种混合型模拟退火算法

提出了课程表问题的一种基于概率型启发式算法（HA）的混合型模拟退火算法。其中，概率型的启发式算法采用了复杂度高者优先，循环首次适应算法，贪婪法，回溯法和松弛法等多种方法，该算法所排出的课表可作为模拟退火算法的初始解。模拟退火可对概率型启发式算法的排课结果做进一步优化，克服了启发式算法不具有全局收敛性的缺点。所以，混合型模拟退火算法具有启发式算法充分利用领域知识，计算量小，优化快速和模拟退火的全局收敛性，数值实验也证明了它的有效性和可行性。     

最优模糊神经网络参数的设计--混沌模拟退火学习法

提出了一种新型优化算法———混沌模拟退火学习法,将混沌算法和模拟退火算法相结合学习模糊神经网络的结构和参数。首先将混沌变量引入模糊神经网络参数的优化搜索中,利用混沌变量的遍历性寻优,根据性能指标寻找较优的模糊神经网络控制器,然后在混沌优化确定的网络基础上,把经混沌搜索后得到的全局次优解作为模拟退火学习算法的初始值,再用模拟退火方法进一步学习网络的隶属函数和权值参数,找到一个全局最优的网络。仿真结果表明:混沌模拟退火学习法优于传统优化方法,其控制结果具有精度高、超调小和响应快的优点,为解决模糊神经网络控制器参数全局最优设计提供了一种切实有效的方法。     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.     

聚类集成中的外部有效性指标评估研究

基于提供的11种聚类外部指标来组合多个聚类,通过单个对象的簇标记变化递增地更新目标函数来求出共识聚类,并利用模拟退火优化算法框架来解决局部最优问题。在UCI和TREC数据库中选取10个数据集进行几种算法的外部指标聚类性能评估实验,从实验数据的归一化角度和排序角度评估不同外部指标的聚类性能,结果表明:M_SS3指标从整体性能表现上最适合用于引导聚类集成,可以作为算法默认的共识函数;基于模拟退火优化算法的聚类集成算法在7个数据集上优于其他聚类方法,而DBSCAN、MCLA、Kmearns算法则在其余3个数据集上表现最好。     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

基于双层启发式遗传算法的三维装箱问题

三维装箱问题是一类组合优化问题,多用于物流运输业的货物装载,具有重要的实践意义。它的最优解受多种条件因素的影响,求解形式复杂且计算量较大,所以常用启发式算法来解决。以空间分割为原则的启发式算法融入遗传算法中并结合二层规划的思想,提出一种基于双层启发式遗传的三维装箱算法。通过双层启发式遗传策略分别对可行解进行广度和深度的搜索来提高寻优效率,从而得到最优的三维装箱方案。在此基础上利用具体算例进行运算和分析,证明该算法在空间利用率和稳定性上都有较好的效果,同时装箱方案可以依托计算机技术进行三维可视化,可为三维装箱问题的信息可视化提供理论依据。