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.     

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.     

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.     

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．     

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。     

基于模拟退火遗传算法的板材优化下料

通过对板材优化下料问题的研究，给出了一种较为实用的具体的模拟遗传算法，该算法融合了遗传算法和模拟退火算法的优点，兼有遗传算法中种群个体、交配、基因、遗传、变异等淘汰劣质解的操作，也有模拟退火算法中冷却进度表和接受概率等寻优控制技术，可以更好地实现板材下料问题的快速求解。     

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。     

解病态线性方程组的遗传算法

提出了求解病态线性方程组的一种新方法－遗传算法，这是一种模拟自然遗传和达尔文进化理论的并行随机优化算法，首先，详细描述了遗传算法，然后，为了应用遗传算法，将病态线性方程的求解转化为无约束优化问题来解决，最后，给出计算机模拟结果并与其他方法作了比较。     

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.     

基于遗传算法的移动应用缓存迁移优化方法研究

面对用户提出越来越多的请求任务，本地服务器面临巨大的压力，导致应用缓存任务队列越来越长，出现了严重的拥塞问题。针对这种情况，将移动应用缓存任务迁移到边缘节点成为有效解决途径，由此提出一种基于遗传算法的移动应用缓存迁移优化方法。该研究在系统模型的假设条件设定的前提下，以时延和能耗为目标，构建多目标函数模型并设置两类约束条件。利用遗传算法求解模型最优解，得出移动应用缓存迁移优化方案。结果表明，利用该遗传算法求解的移动应用缓存迁移方案应用下，与其他算法相比时延和能耗均达到最低值，分别为16.34 s和37.85 J，证明了所研究方法的有效性。     

型材优化下料问题的变换算法

根据旅行商问题（TSP）的邻域搜索算法的思想，提出了型材下料问题的一种优化算法．该算法避免了求解大量下料方式及求解大规模整数规划的复杂问题．最后给出了一个实际例子，表明该方法是可行的．     

带剪刃长度约束的矩形件剪切下料优化算法

讨论矩形件二维下料问题,提出一种带剪刃长度约束的下料算法。这种算法将板材划分成四块,每块中排放长度和方向均相同的条带,每根条带中排放同种矩形件。运用递归技术构造四块排样方式的无约束生成算法和有约束生成算法。采用线性规划算法调用无约束生成算法生成第一部分下料方案;采用顺序启发式算法调用有约束生成算法生成第二部分下料方案。组合两部分下料方案形成最终解。数值实验结果表明下料算法有效地解决带剪刃长度约束的下料问题。     

定长条材优化下料的实用算法研究

在分析定长条材优化下料数学模型基础上，构造了一个背包列生成近似算法，从工程实践角度给出了此问题的求解方法，并给出了计算实例。     

基于遗传算法的一刀切矩形排料求解

采用遗传算法对一刀切矩形排料问题进行求解,在排料过程中引入了启发式思想。并针对这个具体问题设计了新的交叉算子和变异算子,新的遗传算子更适合求解一刀切矩形排料问题。     

基于Internet的二维优化下斜方法及其实现技术

二维优化下斜问题是一个NP－复杂性问题,每一种优化软件都是利用近似和启发式处理得到下料结果,不同的优化方法及其优化软件不同的某些数据结构可能效果并不理想,企业又不可能购进大量不同的优化软件来选优。针对以上问题本文提出了一种基于Internet的二维优化下料解决方法,并给出了该方法的具体实现技术。实验表明,该方法将明显提高二维优化下料的总体优化效果。     

用遗传算法解决下料问题

“下料问题”在工程技术和工业生产中有着重要和广泛的应用。解决此问题的经典方法需要很大的计算量,为了减少计算量,提出基于块组合的树形表示和一种很好被采用的遗传算法,即在使用树形表示切割方式的同时也结合别的不同的切割方式,并通过组合交叉、变异算子来实现混合切割。最后提出了这种方法的实现形式。     

退火遗传算法及其在一维切割问题上的应用

针对标准遗传算法在解决优化问题中存在的问题,提出了改进标准遗传算法的退火遗传算法,并把该算法应用于一维最优切割问题上。通过与标准遗传算法求解一维切割问题的比较,验证了退火遗传算法的有效性。     

对AgraWal单一矩形排样算法的改进与扩展

讨论单一矩形剪切下料排样方式最优设计问题,给出更为贴切的上界,从而改进Agrawal算法．Agrawal以图解方式说明规范多级排样方式中包含最优剪切割方式,现给出这一结论的数学证明．扩展无约束算法用于解决有约束排样问题．