定序列矩形件优化排样新算法

针对目前矩形件优化排样方法的不足,提出了一个新的定序列矩形件排样算法。采用对矩形件排入板材后生成的矩形空白区域合并的策略,将矩形件优先排入到位置较低的空白区域中,实现了矩形件的插空摆放,有效的利用了排样过程中已排入矩形件间的空隙。实际应用表明,该算法显著提高了单次排样的材料利用率,得到了较好的排样效果。给出了算法的具体步骤。     

满足“一刀切”要求的木工板排样优化研究

 针对木工板手工排样效率低和材料利用率低问题,提出木工板“一刀切”排样优化算法．在剩余矩形填充算法中添加启发式分块原则,改进的剩余矩形填充算法满足“一刀切”工艺要求．采用遗传算法对矩形件进行排样优化,以提高木工板利用率,降低企业生产成本．为提高算法的优化精度,使用基于指数变换的非线性动态适应度函数,引入精英保护策略,应用部分填充交叉（partially matched crossover）算子．结合剩余矩形填充“一刀切”算法对遗传种群进行解码计算原料利用率,并作为适应度函数值,进行迭代搜索最优解．排样实例表明木工板“一刀切”排样优化算法能够很好地解决多品种大规模木工板排样问题．     

改进的最低水平线搜索算法求解矩形排样问题

 矩形优化排样问题是一个在制造业领域生产实践中普遍遇到的问题，采用了一种改进的最低水平线搜索算法求解此类问题.首先分析了原始的最低水平线搜索算法在排样中存在的缺陷，并针对该缺陷为其设计了一个评价函数，排样时对所有未排零件进行评价，选择评价值最高的零件排入当前位置，从而克服了算法在搜索过程中的随机性，优化了算法的搜索方向.实验仿真的结果表明，提出的算法可以得到较好的排样效果，并且其解决问题的规模越大，优化性能越好，适合于求解大规模排样问题.     

遗传算法和碰撞算法混合求解冲裁件自动排样问题

针对冲裁件的实际情况,提出了一种利用遗传算法和碰撞算法混合求解冲裁件自动优化排样的方法.在排样中对冲裁件的纵向偏距、放置角度和排样方式进行编码,通过碰撞理论来计算每个个体所对应排样的排样步距.论文给出了运用遗传算法求解的步骤、遗传代码的构造方式和排样步距的求解方法.     

“一刀切”排样问题的遗传算法与蚁群算法整合研究

对于"一刀切"矩形件优化排样问题,采用遗传算法与蚁群算法的混合算法进行研究.针对两种算法的传统混合策略和现有混合策略的不足,对两种算法的混合策略进行改进,并利用种群本身的染色体适值来判断种群进化是否停滞,确定了算法的最佳融合时机.对具体算例的分析验证表明,改进后的混合策略可有效减少算法的冗余迭代次数,提高搜索速度,是一种行之有效的排样算法.     

二维不规则件优化排样的小生境遗传算法

 首先采用组合矩形包络算法将二维不规则零件的排样问题转化为矩形件的排样问题;然后将遗传算法与小生境技术相结合,寻找排样件在排样时的最优次序及各自的旋转角度;最后用“最低水平线与填充算法相结合”策略的启发式排样算法实现自动排样。实例表明,该算法是有效的。     

基于五块模式的单一矩形件排样算法

如何在一个大矩形里排入尽可能多的单一规格小矩形件是广泛出现在制造业领域的板材分割、物流业领域的集装箱装载中的问题.采用五块模式将大矩形划分为五个块,求解每个块里面矩形件的排样方式.首先,采用动态规划算法一次性生成所有块中矩形件排样方式,然后,采用隐式枚举法考虑所有可能的五块组合,选择包含矩形件个数最多的五块组合作为最终的排样方案.使用算例对算法进行了测试,并与另外4种单一排样算法进行了比较.实验结果表明,该算法在排样利用率和切割工艺两方面都有效,而且计算时间合理.     

缺陷板材非规则件优化排样

针对理论上属于NPC问题的非规则件优化排样问题,论文提出一种基于小生境技术的自适应遗传模拟退火算法与基于内靠接临界多边形最低点的启发式布局算法相结合的方法。考虑到算法中交叉概率和变异概率的选择影响到算法收敛性,提出了自适应的交叉概率和变异概率,通过基于小生境技术的遗传模拟退火算法对非规则件排样的最优顺序和各自的旋转角度进行优化搜索。将非规则件定位在有缺陷原材料和非规则件多边形的内靠接临界多边形最低点以实现个体的解码,同时避开了原材料表面缺陷。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。     

一个实用的矩形件优化排样启发式算法

仔细研究了传统矩形件优化排样近似算法及存在的主要问题，提出一个新的启发式算法。该算法根据最后板材的实际排放情况，采用了多种排放策略，克服了原算法的在零件数较少时的缺陷。在此基础上用Visual C 6．0开发了一个实用的矩形件计算机辅助排样系统。实际应用表明，新算法可获得比原近似算法更好的优化排样结果。笔者给出了算法的具体实现方法和步骤．     

应用最大截距法实现三维级进模排样

最大截距法是一种基于图形实体数据的计算方法.在研发三维级进模智能排样系统时,经过多种排样算法的分析和比较,选择了最大截距法.提出了由关键点求出最大截距的方法,建立了相应的数学模型,获得了最佳步距,提高了材料利用率,实现了级进模的优化排样.     

Hybrid Approach to Optimal Packing Using Genetic Algorithm and Coulomb Potential Algorithm

It is difficult and computationally time-consuming to find the best possible solutions for blank packing problems, because they include a lot of underlying combinational conditions. This paper presents two approaches for packing two-dimensional irregular-shaped polygonal elements—a real-encoded genetic algorithm and a hybrid algorithm using a real-encoded genetic algorithm and a local optimization algorithm. The local optimization algorithm presented is a novel one utilizing the Coulomb potential technique.

In the hybrid approach, the real-encoded genetic algorithm generates the order of the polygons while the coulomb potential algorithm determines the embodiment layout under the fixed combinations so as to minimize the scrap. The hybrid genetic algorithm is found to give better results for problems of larger size although it takes more computational time.     

基于遗传蚁群算法的测试用例集约简

为提高软件测试效率,节省回归测试成本,本文提出了一种新的约简测试用例集的算法.该算法是遗传算法和蚁群算法两种算法的结合,首先利用遗传算法的快速随机全局搜索能力,生成蚁群算法的初始信息素,然后利用蚁群算法的正反馈性,快速得到约简测试用例集的近似最优解.最后通过仿真实验验证了该算法的有效性.     

对Sutherland-Cohen算法的改进

提出了对Sutherland-Cohen算法的改进.通过引进辅助直线进行直线裁剪,只需两次求交运算就即求出线段的可见部分,还减少了对线段的重编码运算,具有和NLN算法相同高的效率.通过引入辅助平面进行三维裁剪,克服了NLN算法不能扩展到三维的缺点,而且其三维裁剪效率高于Sutherland-Cohen算法和梁友栋-Barsky算法.     

基于免疫密母算法的图像分割

密母算法具有全局和局部搜索能力,但其具有对参数敏感、个体学习计算复杂度高的缺点.为了克服密母算法的缺点,本文提出了基于免疫密母算法的图像分割(IMAIS)方法.该方法对图像分割时采用了两个种群,并分别用密母算子和免疫克隆算子对这两个种群同时进化,加快种群收敛速度.实验结果表明了本方法的可行性和有效性.     

求解Job-shop调度问题的遗传算法

在引入一种新的具有自适应性的杂交概率和变异概率的基础上，提出了一种构造染色体的新方法，进而提出了一种面向工作车间问题的新的遗传算法。同时给出了一个例子来说明算法的收敛性和收敛效率。仿真结果表明了该算法的有效性。     

Dark Forest Algorithm: A Novel Metaheuristic Algorithm for Global Optimization Problems

Metaheuristic algorithms, as effective methods for solving optimization problems, have recently attracted considerable attention in science and engineering fields. They are popular and have broad applications owing to their high efficiency and low complexity. These algorithms are generally based on the behaviors observed in nature, physical sciences, or humans. This study proposes a novel metaheuristic algorithm called dark forest algorithm (DFA), which can yield improved optimization results for global optimization problems. In DFA, the population is divided into four groups: highest civilization, advanced civilization, normal civilization, and low civilization. Each civilization has a unique way of iteration. To verify DFA’s capability, the performance of DFA on 35 well-known benchmark functions is compared with that of six other metaheuristic algorithms, including artificial bee colony algorithm, firefly algorithm, grey wolf optimizer, harmony search algorithm, grasshopper optimization algorithm, and whale optimization algorithm. The results show that DFA provides solutions with improved efficiency for problems with low dimensions and outperforms most other algorithms when solving high dimensional problems. DFA is applied to five engineering projects to demonstrate its applicability. The results show that the performance of DFA is competitive to that of current well-known metaheuristic algorithms. Finally, potential upgrading routes for DFA are proposed as possible future developments.     

中点生成椭圆的整数型算法

在研究圆和椭圆生成算法基础上,通过构造递推表达式,给出中点生成椭圆的整数型算法,并对算法效率进行了分析。算法初始化时需进行两次乘法运算和一次移位运算,而生成各绘图点时只需要整数型加法运算,因此算法运算精度高、速度快,适合硬件的实现。采用VB编写程序对算法正确性进行了验证,该算法具有一定的理论和实用价值。     

求解大规模TSP问题的混合算法

遗传算法求解大规模TSP时呈现出求解时间长、后期效率明显降低等缺陷。通过结合分块方法、局部搜索算法以及禁忌算法,本文提出一个求解TSP的混合算法,以提高初始解质量,减少计算量。利用遗传算法和混合算法对几个TSP进行数值实验,表明无论在结果的质量上还是在运行效率上,混合算法都明显优于遗传算法,而且,规模越大效果越明显。     

Archery Algorithm: A Novel Stochastic Optimization Algorithm for Solving Optimization Problems

Finding a suitable solution to an optimization problem designed in science is a major challenge. Therefore, these must be addressed utilizing proper approaches. Based on a random search space, optimization algorithms can find acceptable solutions to problems. Archery Algorithm (AA) is a new stochastic approach for addressing optimization problems that is discussed in this study. The fundamental idea of developing the suggested AA is to imitate the archer's shooting behavior toward the target panel. The proposed algorithm updates the location of each member of the population in each dimension of the search space by a member randomly marked by the archer. The AA is mathematically described, and its capacity to solve optimization problems is evaluated on twenty-three distinct types of objective functions. Furthermore, the proposed algorithm's performance is compared vs. eight approaches, including teaching-learning based optimization, marine predators algorithm, genetic algorithm, grey wolf optimization, particle swarm optimization, whale optimization algorithm, gravitational search algorithm, and tunicate swarm algorithm. According to the simulation findings, the AA has a good capacity to tackle optimization issues in both unimodal and multimodal scenarios, and it can give adequate quasi-optimal solutions to these problems. The analysis and comparison of competing algorithms’ performance with the proposed algorithm demonstrates the superiority and competitiveness of the AA.     

物流车辆路径问题的混合快速蚂蚁算法

通过分析快速蚂蚁算法的原理和易陷入局部最优的缺点,提出了将贪婪算法和快速蚂蚁算法相结合的混合算法求解物流车辆路径问题.混合算法在最优值未改进次数超过限定次数时,自动调用贪婪算法来寻找一个局部最优解,并调整相应路径上信息素的量.为保证解的多样性,对贪婪算法本身使用随机选择第一个客户的方法进行了调整.用计算实例比较并分析了快速蚂蚁算法、混合算法及其他算法应用到车辆路径问题上的结果,说明了贪婪算法使混合算法跳出局部最优的过程以及混合算法的不足之处.