一维下料问题数学模型的计算机自动生成与优化计算

介绍了一维下料问题的下料方式,采用计算机自动生成相应的线性规划数学模型,给出了最优下料方案的求解方法。     

一维下料优化的一种新算法

针对一维下料优化问题,提出了一种基于启发式多级序列线性优化思想的新算法,即将下料优化问题转化为多级序列线性优化问题求解．每级求解时,在当前可行的下料方式中选择最优的一种进行下料。不断重复此操作。直到所有剩余的坯料数目均减小至零为止．原问题的最优解就是各个序列优化问题所求得的最优下料方式的总合．计算表明,与目前常用的整数线性规划或遗传算法相比较．该算法有结构简明、计算速度快、节材效果好的优点．     

板材优化下料的数学模型的研究

对国内外已有的几种板材下料数学模型进行了分析，指出了某些模型可能导致一些较好的初始切割方式的漏选，有些模型单纯追求剩余面积最小的下料方式而使下料结果不适当。在此基础上建立了修正过的下料数学模型。该模型采用降维启发式法将二维问题转化为一维问题，其中初始切割方式的选取综合考虑了最小剩余面积、待求零件的相对面积大小、数量要求等多方面的因素。     

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.     

分支定界算法优化一维下料问题

一维下料问题是生产实践中常见的问题,优化下料要求最大限度地节约原材料,提高原材料的利用率.本文提出分支定界算法优化一维下料问题,并用MATLAB编写程序,通过计算机来完成这一复杂的过程.     

多规格一维下料问题基于满意度模拟退火算法

为了对较大规模的一维下料问题更有效地进行计算,根据坯料的长度和数量将多规格一维下料问题分类为普通下料和批量下料,分别进行求解.对于普通下料问题,将满意度原理引入模拟退火算法,给出了一种基于满意度的模拟退火算法(SDSA)进行求解;对于批量下料问题,由于各坯料的数量较多,采用该算法与序列启发方法相结合的混合算法(SHP&SDSA)进行求解,以进一步提高算法的搜索性能.对普通下料和批量下料的数值仿真结果表明,该算法可提高求解速度和质量,并可获得稳定的工程满意解.     

求解一维下料问题的改进混合遗传算法

针对一维下料问题,设计了一种局部搜索方法,并将其与遗传算法结合构造了新的混合遗传算法.大量实验表明,该算法求解一维下料问题是行之有效的.     

多线材一维下料问题的求解策略

本文将线性规划与增强顺序法相结合,求解多线材一维下料问题.采用具有全容量特性的解法,一次生成多个排样方式,按比值法选择新排样方式.实验结果表明:对于文献中报道的一些例题,运用算法可降低线材成本;和商业一维下料CAD系统相比,在下料方案的线材成本相同的前提下,本文算法可大幅度缩短计算时间.     

实用下料问题的优化算法

本文针对单一原材料下料问题，讨论了如何在合理的时间内求得一维和二维实用下料问题的较优解。我们实现的是一种改进的以模式为导向的下料方案。以模式为导向的下料方法是相对于以需求为导向的下料方法而言的，即把几种零件组合进行下料，一次切割可得到不同规格的零件，以达到节省原材料的目的。我们的改进是引入了动态权值，具体来说，依据各零件的完成时间要求，赋给每种零件一个权值，而且这个权值会随着下料的进行而不断改变，以调整下料时零件的优先次序。引入动态权值后，不仅能解决时限问题，而且能优化搜索过程。在搜索下料方案的过程中，一维主要采用回溯法搜索部分状态空间，从中找出较优解；二维情形，观察到各种零件的长度比原料的宽度大很多，所以只能按原料的长边方向切割零件的长边，我们运用二叉树前序遍历法去寻找较优解。求得一维问题的下料结果是：需要804块原料，61种下料方式，废料总长度为37012mm，能保证任务按时完成。求得二维问题的解答：需要472块原料，52种下料方式，废料总长度为7340880mm^2，能保证任务按时完成。本模型具有操作简便，求解速度快，适应性好等优点，稍稍修改一些初始值就可以适应新的实际情况。算法是用编程来实现的。     

基于基因群体的一维优化下料

针对一维优化下料问题,将基于群体的编码方法与遗传算法相结合,设计了一种适用于一维优化下料问题的编码方法,修改了经典遗传算子的操作方法,提出了降序最佳置换方法(BRD).引入最佳配合(BF)、优先配合降序(FFD)局部搜索算法,建立了求解一维优化下料问题的复合遗传算法.应用结果显示,本文方法的效果是令人满意的.