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.     

融合蚁群算法和遗传算法的矩形件排样问题研究

提出融合蚁群算法和遗传算法来求解矩形件排样问题.考虑到蚁群算法和遗传算法各自的优缺点,该融合算法前阶段采用遗传算法获得排样问题的部分优化解,把它作为蚁群算法的初始信息素分布,后阶段利用蚁群算法求得最优排样序列,最后求得最优排样图.计算实例表明:与单一遗传算法相比较,该融合算法可达到更好的排样效果.     

矩形件和任意多边形排样问题的算法及应用

探讨了矩形件和任意形状图案的抽样优化问题的遗传算法求解，提出了剩余矩形表示法和条形图表示法。对于矩形排样，剩余矩形表示法提高了板材利用率，更容易得到较优解。对于任意形状图案排样，条形图表示法直接利用位图排样，不对图案作任何限制（允许有孔洞），排样速度很快。该算法已应用于智能印花分色系统中。     

基于改进小生境免疫遗传算法的矩形件排样

讨论了基于改进小生境免疫遗传算法的矩形件排样问题,提出了基于排挤机制的小生境技术结合遗传算法的新思路,分别采用遗传算法、改进免疫遗传算法和小生境免疫遗传算法对大规模矩形件排样问题进行了实例比较分析,实例表明：在大规模矩形件排样过程中免疫算子和基于排挤机制小生境技术结合遗传算法的运用具有较好的全局寻优表现和收敛速度,算法有效、可行.     

二维矩形件优化排样算法的改进研究

提出了一种基于遗传算法求解矩形件排样的改进方法,通过比较搜寻待排矩形件宽度与最低水平线长度之间的关系来确定零件的排样,并用程序实现了该算法,结果表明这种改进算法是有效的。     

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.     

改进邻域搜索算法的矩形件排样优化研究

针对矩形件排样问题,给出精确的数学优化模型,提出一种改进邻域搜索算法的求解方法.为了克服一般邻域搜索算法易陷入局部最优解和搜索效率低的缺点,挖掘矩形件排样的问题特征,提出反悔算子、距离受限邻域算子、以"满足容忍度"接受劣解等3种新的改进策略.以矩形件排放顺序为编码,利用"最下左填充算法"进行解码,优化矩形件排样方案.对...     

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.     

两阶段启发式算法在矩形件排样中的应用

针对定制式木门家具生产过程中板材资源利用率低和常规启发式排样算法得到的排样结果切割工艺复杂的问题,采用启发式排样和优化排序相结合的方式,提出了两阶段排样方式和遗传算法相结合的组合式矩形板材排样算法。以两阶段排样方式为基础,通过对排样过程中物块摆放时会遇到的5种情况分别给出对应处理方案,提出了两阶段启发式排样算法,同时利用改进的遗传算法进行板材组号的排序优化。测试结果表明,该文算法取得了98.11%的最高资源利用率,算法输出排样方案的板材切割工艺得到了优化,提高了实际生产中板材切割的生产效率并降低了生产与时间成本。     

基于空间优化的三维装箱布局混合遗传算法

针对三维装箱问题使用了一种便于空间优化的二维链表结构表达三维矩形物体布局状态空间分解方法和利用混合遗传算法产生待装物体的顺序序列.二维链表结构可以表达空间相连结点之间的关系,易于空间结点的重组,达到更好的利用空间;也可减少产生好的待装物体顺序序列的搜索次数.结合混合遗传算法的搜索方法,能在合理的时间内找到问题的满意解.经过实验表明通过这两种方法的结合本算法能取得较好的较果.     

基于遗传算法的Job-shop调度问题研究

Job-shop调度问题是一个强NP－难问题。为此提出了一种简单，易操作的遗传算法对该问题进行求解。采用一种插入式贪婪解码算法保证生成的调度是活动调度(active schedule)。通过几个著名的Muth and Thompson测试例子及与目前较好的遗传算法的比较实验，以验证这一算法的有效性。     

一种改进的二维装箱问题的混合遗传算法

改进了FFA算法,提出了区间合并和最小浪费面积的概念,并阐述了实现的方法．最后,采用基于改进的FFA算法的混合遗传算法得到了较好的结果,并对结果进行了分析．     

基于遗传算法的批调度问题

对把独立的、可同时达到的工件组批，并同时在单机上确定批内序和批间序的批调度问题进行了研究。给出了问题的数学模型，并构造了一个有效的遗传算法。实验结果表明是有效的。     

基于GAs求解整数规划问题的算法设计

对于遗传算法（ＧＡｓ）求解整数规划问题,提出一种新的位串编码结构,采用一种新的加速变异算子,可明显改善寻优的收敛速度,并为保持种群多样性引入分散型淘汰法。     

基于遗传算法的产品分配方案研究

建立了产品分配的时变模型 ,并将其分为两层子问题 .下层子问题为基本的运输问题 ,按一般的线性方程求解 ;上层子问题则求系统的最小成本 ,采用遗传算法进行求解 .同时 ,还进行了大量的计算机实验 ,并在实验过程中将遗传算法与实现产品分配时常用的算法进行了比较 .结果表明 :采用本研究所建模型 ,并利用遗传算法进行求解 ,可以取得相当好的效果 ,具有实现简单、收敛时间短等优点 .     

针对目标的布局启发式算法

为解决二维矩形布局问题，在广泛研究各种启发式方法的基础上，提出了基于目标的启发式算法．该算法在布局开始时确定布局目标，布局过程中综合运用多种策略，让每个局部最优解达到布局目标值，得到稳定的、可靠的全局解；并且简要分析了矩形正交布局的空间分解方法，提出了群组的基本策略以及布局的定序规则和定位规则、实验结果表明，算法具有较强实用性，布局效率提高2％以上．     

基于模糊遗传算法的机组组合问题的求解

为求解机组组合问题,提出一种模糊优化与遗传算法紧密结合的新的模糊遗传算法.通过建立模糊推理规则,对交叉率和变异率进行模糊控制,从而提高了收敛速度,避免了不成熟收敛.将该模糊遗传算法应用于一工程算例中求解机组组合问题,与传统遗传算法相比,在同样的种群规模和终止准则下,采用该算法的收敛迭代次数减少,减幅最大达122次,而每次迭代计算时间最多仅增加约0.01 s;优化组合的发电成本减小,减幅最大时达总发电成本的0.73%.     

基于遗传算法的模具电极调度问题求解

针对模具电极数控加工和电火花加工两个阶段的调度问题,建立了具有批处理和相关性特征的数学模型.以模具零件拖期量最小为目标,将模具电极调度问题的求解分为批处理和批调度两个层次,第1层提出根据相关性原则解决批处理问题,并设计出相关性优先分批算法;第2层提出采用遗传算法解决批调度问题,并提出一种基于动物配种的策略对传统的遗传算...