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．     

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.     

二维不规则贯通排样的模拟退火算法

提出一种获得不规则零件的最佳包络矩形的方法,根据矩形件的启发式算法,设计模拟退火智能算法将最佳包络矩形排样.模拟退火算法是全局优化概率的搜索算法,可以在优化排样中将排样次序优化,再利用最低水平线算法将不规则多边形排样.结果显示:同一排样问题,初始温度、冷却参数以及终止温度有一组最佳组合值,使得问题解的质量较高.该算法在排样效果和时间效率上更为优秀.     

基于摇瓶策略求解二维不规则件排样问题

针对基于序列的二维排样问题求解策略的不足,提出采用"摇晃瓶子"的策略求解二维不规则件排样问题。基于图像和颜色直方图方法实现零件的重叠检测、出界检测和方案评价。对模拟退火提出两种改进措施:动态邻域尺度方法和并行退火方法。动态邻域尺度方法可使模拟退火用于摇瓶策略,解决了采用离散方法检测零件重叠时精度和时间的矛盾;并行退火方法进一步加快了求解速度。实验对比证明了动态邻域算法和并行退火算法有效,且能满足工程应用要求。分析了动态邻域和并行退火的复杂度,从理论上说明了这两种方法缩短排样时间的原因。     

工艺约束策略下的二维不规则零件排样算法

针对已有排样算法在实际工业生产情况下缺乏对零件工艺约束等问题,提出一种基于工艺约束策略的二维不规则排样算法(PCTNA)。该算法结合临界多边形算法,通过对零件内含有的空洞进行填充,实现提高被加工板材材料的利用率;再通过引入等距偏移思想,解决实际生产时所需要的零件间的工艺间隙问题。通过对欧洲排样问题兴趣小组提供的测试算例进行实验测试,从12个测试算例的测试结果得到平均时间优化比率为10.33%,平均路径优化比率为11.06%,实验结果显示PCTNA可以降低排样的切割时间和减少路径,提高切割效率。     

一种求解排样问题的遗传算法收敛性分析

遗传算法已经被广泛用于求解排样问题,但是在算法不收敛的情况下,很难有效地找到满意解.因此,在用遗传算法求解排样问题时,有必要研究其算法的收敛性.对求解圆形件排样问题的混合遗传算法,采用概率论的方法,证明了该遗传算法理论上完全收敛于全局最优解.该结论可以进一步应用到其它形状零件的排样问题,并给出了遗传算法求解排样问题的收敛性条件.     

基于混合表达图形的二维不规则排样构造算法

提出了一种基于矢量图与像素图混合表达的二维不规则排样构造算法.在算法的初始阶段,零件信息采用矢量方式输入,在寻找最优排样姿态阶段则采用像素化表达,最后为了消除零件之间的缝隙并输出精确的排样图,零件恢复为矢量图表达.算例分析表明,该算法具有复杂度低、执行速度快和排样效果好的优点,有望推广为一种新型三维不规则排样构造算法,并基于图形处理器(GPU)的并行计算技术对其进行性能升级.     

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.     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

二维Tsallis熵阈值法中基于粒子群优化的参数选取

针对二维Tsallis熵阈值分割法中参数q的选取问题,提出一种粒子群优化算法自适应选取参数q的方法.该方法基于一种图像分割质量评价指标—均匀性测度,利用粒子群优化算法对参数q在参数空间进行优化搜索,从而实现了二维Tsallis熵阈值分割法的自动阈值选取.实验表明,所提出的方法可以根据具体的图像有效地选取参数q,获得理想的图像分割结果.