CN110390360A - 基于遗传算法的矩形块排样顺序确定方法和装置 - Google Patents
基于遗传算法的矩形块排样顺序确定方法和装置 Download PDFInfo
- Publication number
- CN110390360A CN110390360A CN201910668846.5A CN201910668846A CN110390360A CN 110390360 A CN110390360 A CN 110390360A CN 201910668846 A CN201910668846 A CN 201910668846A CN 110390360 A CN110390360 A CN 110390360A
- Authority
- CN
- China
- Prior art keywords
- stock layout
- rectangular block
- individual
- layout
- stock
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于遗传算法的矩形块排样顺序确定方法和装置,属于矩形块排样技术领域。基于遗传算法的矩形块排样顺序确定方法,包括:设置遗传算法达到的适应度值保持不变的遗传代数上限值;将矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;计算初代种群中每个个体的适应度值,取每个编号区域中适应度值最大的个体作为交叉变异的基础种群;对遗传算法的变异环节提出一种多点顺序变异方法,当遗传算法的遗传代数大于等于遗传代数上限值时,则结束该遗传算法。本发明改变了原有遗传算法中变异的方式以及交叉变异的个体来源,提高了矩形模板的平均利用率。
Description
技术领域
本发明涉及矩形块排样技术领域,尤其涉及一种基于遗传算法的矩形块排样顺序确定方法和装置。
背景技术
当今学者对矩形件排样问题的研究比较多,但因其属于NP复杂问题,很难能够在一定时间里获得最优解,所以对矩形件的优化研究还有很大的发展空间,矩形件排样的应用领域也比较广泛,比如家具生产行业、玻璃切割行业、照片排版行业以及钢材行业等等。排样主要分为两部分:排序和排布。排序方面的算法主要有遗传算法、粒子群算法、模拟退火算法等,排布算法主要有最低水平线算法、剩余矩形法等;将排序算法和排布方法结合起来求解排样问题也是研究者们惯用的手段,目的在于提高原材料利用率,为工厂节省成本,提高效率。
而对遗传算法与最低水平线算法结合的排样方法来说,目前的算法还存在以下缺陷:(1)对于工厂来说,算法获得的近似最优解在原材料利用率方面还不能达到比较满意的结果;(2)算法运行的时间比较长,降低了工厂的生产效率;(3)算法的编程实现比较困难。
发明内容
(一)要解决的技术问题
本发明提供了一种基于遗传算法的矩形块排样顺序确定方法和装置,以期至少部分地解决以上所提出的技术问题。
(二)技术方案
根据本发明的一个方面,提供了一种基于遗传算法的矩形块排样顺序确定方法,所述方法包括:
设置遗传算法达到的适应度值保持不变的遗传代数上限值为第一预设值;
将待排样的矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;
按预设公式计算所述初代种群中每个编号区域中每个个体的适应度值,取每个编号区域中适应度值最大的个体为排样个体,并对所述排样个体按所述适应度值降序排列;
计算所述排样个体中适应度值最大的个体的适应度值保持不变的遗传代数,判断所述遗传代数是否大于等于第一预设值;
若是,则结束所述遗传算法;否则,采用单点交叉方法,使所述排样个体产生子代个体;将所述排样个体以第一概率进行多点顺序交换变异,之后再以第二概率进行旋转变异,使所述排样个体产生变异个体;
将所述排样个体、子代个体以及变异个体归至相应的编号区域作为下一代种群,重新计算所述下一代种群中个体的适应度值,按照所述编号区域选取所述排样个体并进行排序,再使所述排样个体进行交叉和变异,直到所述遗传代数大于等于第一预设值。
在一些实施例中,所述编号区域包括同一类个体的集合;所述一个个体即为一种排样顺序。
根据本发明的另一个方面,提供了一种基于遗传算法的矩形块排样顺序确定装置,所述装置包括:
上限值设置单元,用于设置遗传算法达到的适应度值保持不变的遗传代数上限值为第一预设值;
初代种群获得单元,用于将待排样的矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;
排样单元,用于计算所述初代种群中每个个体的适应度值,取每个编号区域中适应度值最大的个体为排样个体,并对所述排样个体按所述适应度值降序排列;
判断单元,用于统计所述排样个体的中适应度值最大的个体的适应度值保持不变的遗传代数,判断所述遗传代数是否大于等于第一预设值;
判断结果执行单元,用于若判断单元的结果为是,则结束所述遗传算法;若判断单元的结果为否,则采用单点交叉方法,使所述排样个体产生子代个体;将所述排样个体以第一概率进行多点顺序交换变异,之后再以第二概率进行旋转变异,使所述排样个体产生变异个体;
遗传算法迭代单元,用于将所述排样个体、子代个体以及变异个体归至相应的编号区域作为下一代种群,重新计算所述下一代种群中个体的适应度值,按照所述编号区域选取所述排样个体并进行排序,再使所述排样个体进行交叉和变异,直到所述遗传代数大于等于第一预设值。
在一些实施例中,在所述初代种群获得单元中,所述编号区域包括同一类个体的集合;所述一个个体即为一种排样顺序。
根据本发明的另一个方面,提供了一种遗传算法与最低水平线算法结合的矩形块排样方法,包括:
编写矩形块生成程序,生成多个矩形块;
在所述矩形块中选择符合预设公式的矩形块;
利用上述所述的基于遗传算法的矩形块排样顺序确定方法,确定所述符合预设公式的矩形块的排样顺序;
采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置;
将所述符合预设公式的矩形块按照所述排样顺序和排样位置,排样到当前矩形模板中,并记录排样到当前矩形模板中的矩形块的面积之和;
依次从不符合预设公式的矩形块中,查找符合当前矩形模板中空白域的矩形块,排样到当前矩形模块的空白域中,并更新排样到当前矩形模板中的矩形块的面积之和。
在一些实施例中,所述方法还包括:
利用所述排样到当前矩形模板中的矩形块的面积之和,计算所述当前矩形模板的利用率。
在一些实施例中,采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置,包括:
以当前矩形模板的下侧边界轮廓作为初始最低水平线,记录所述最低水平线以上能够填充矩形块的区域宽度和高度;
将所述记录的区域宽度和高度,与当前待排样的矩形块的宽度和高度进行比较,判断当前待排样的矩形块是否能排样到当前矩形模板中;
若是,则将当前待排样的矩形块排样至当前矩形模块中;否则,按矩形块的排样顺序,依次查看当前待排样的矩形块之后的矩形块是否能排样到当前矩形模板中;
若当前排样顺序下的矩形块都无法排样至当前矩形模板时,则提升所述最低水平线,重新记录能够填充矩形块的区域宽度与高度,对当前排样顺序下的矩形块进行排样。
根据本发明的另一个方面,提供了一种遗传算法与最低水平线算法结合的矩形块排样装置,包括:
矩形块获取单元,用于编写矩形块生成程序,生成多个矩形块;
矩形块选择单元,用于在所述矩形块中选择符合预设公式的矩形块;
排样顺序确定单元,用于利用上述所述的基于遗传算法的矩形块排样顺序确定方法,确定所述符合预设公式的矩形块的排样顺序;
排样位置确定单元,用于采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置;
第一排样单元,用于将所述符合预设公式的矩形块按照所述排样顺序和排样位置,排样到当前矩形模板中,并记录排样到当前矩形模板中的矩形块的面积之和;
第二排样单元,用于依次从不符合预设公式的矩形块中,查找符合当前矩形模板中空白域的矩形块,并排样到当前矩形模块的空白域中,并更新所述排样到当前矩形模板中的矩形块的面积之和。
在一些实施例中,所述装置还包括:
利用率计算单元,用于利用所述排样到当前矩形模板中的矩形块的面积之和,计算所述当前矩形模板的利用率。
在一些实施例中,所述排样位置确定单元,包括:
排样区域确定子单元,用于以当前矩形模板的下侧边界轮廓作为初始最低水平线,记录所述最低水平线以上能够填充矩形块的区域宽度和高度;
排样判断子单元,用于将所述记录的区域宽度和高度,与当前待排样的矩形块的宽度和高度进行比较,判断当前待排样的矩形块是否能排样到当前矩形模板中;
排样判断结果执行子单元,用于当排样判断子单元的结果为是时,将当前待排样的矩形块排样至当前矩形模块中;否则,按矩形块的排放顺序,依次查看当前待排样的矩形块之后的矩形块是否能排样到当前矩形模板中;
最低水平线重置单元,用于在当前排样顺序下的矩形块都无法排样至当前矩形模板时,提升所述最低水平线,重新记录能够填充矩形块的区域宽度与高度,对当前个体下的矩形块进行排样。
(三)有益效果
从上述技术方案可以看出,本发明提供的一种基于遗传算法的矩形块排样顺序确定方法和装置至少具有以下有益效果其中之一或其中一部分:
(1)本发明提供的基于遗传算法的矩形块排样顺序确定方法和装置,通过改变原有遗传算法中选择环节、变异环节以及产生子代环节中的矩形块来源,提高了矩形模板的平均利用率;
(2)本发明提供的基于遗传算法的矩形块排样顺序确定方法和装置,通过设置遗传算法达到适应度值保持不变的代数上限值,并将其与实际适应度值代数值进行比较来判断遗传算法的结束与否,避免了不必要的遗传迭代,节省排样时间;
(3)本发明提供的基于遗传算法的矩形块排样顺序确定方法和装置,使用单点交叉法与多点顺序交换变异法,这两种方法原理简单,便于编程实现;
(4)本发明提供的遗传算法与最低水平线算法结合的矩形块排样方法和装置,通过基于遗传算法的矩形块排样顺序确定方法确定矩形块排样顺序,通过最低水平线搜索算法确定矩形块排样位置,可以提高原材料的利用率,节省排样时间,能够为工厂节省成本,提高生产效率。
附图说明
图1为本发明提供的基于遗传算法的矩形块排样顺序确定方法的流程图;
图2为本发明实施例提供的基于遗传算法的矩形块排样顺序确定方法中的单点交叉示意图;
图3为本发明实施例提供的基于遗传算法的矩形块排样顺序确定方法中的多点顺序交换变异示意图;
图4为本发明提供的基于遗传算法的矩形块排样顺序确定装置的结构示意图;
图5为本发明提供的遗传算法与最低水平线算法结合的矩形块排样方法的流程图;
图6为本发明实施例提供的采用遗传算法与最低水平线算法结合的矩形块排样方法的排样结果示意图;
图7为本发明提供的遗传算法与最低水平线算法结合的矩形块排样装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
根据本发明的一个方面,提供了一种基于遗传算法的矩形块排样顺序确定方法,如图1所示,该方法包括:
S11,设置遗传算法达到的适应度值保持不变的遗传代数上限值为第一预设值;
S12,将待排样的矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;
S13,按预设公式计算初代种群中每个个体的适应度值,取每个编号区域中适应度值最大的个体为排样个体,并对排样个体按适应度值降序排列;
S14,统计排样个体中适应度值最大的个体的适应度值保持不变的遗传代数,判断遗传代数是否大于等于第一预设值;
S15,若是,则结束遗传算法;否则,采用单点交叉方法,使排样个体产生子代个体;将排样个体以第一概率进行多点顺序交换变异,之后再以第二概率进行旋转变异,使排样个体产生变异个体;
S16,将排样个体、子代个体以及变异个体归至相应编号区域作为下一代种群,重新计算下一代种群中个体的适应度值,按照编号区域选取排样个体并进行排序,再使排样个体进行交叉和变异,直至遗传代数大于等于第一预设值。
本发明提供的基于遗传算法的矩形块排样顺序确定方法,通过改变原有遗传算法中选择环节、变异环节以及产生子代环节中的矩形块来源,提高了矩形模板的平均利用率。
进一步的,在步骤S11中,遗传算法达到的适应度值保持不变的遗传代数上限值的含义为:种群中个体的好坏用适应度值大小来衡量,若第j代到第v代种群的降序排序中位于第一位的个体的适应度值一直保持不变,且代数上限值≤v-j成立,则结束遗传算法。
本发明提供的基于遗传算法的矩形块排样顺序确定方法,通过设置遗传算法达到适应度值保持不变的代数上限值,并将其与实际适应度值代数值进行比较来判断遗传算法的结束与否,避免了不必要的遗传迭代,节省排样时间。
进一步的,在步骤S12中,编号区域包括同一类个体的集合;一个个体即为一种排样顺序。具体的,可以采用十进制方式对矩形块进行编码,即将矩形块以1,2,…,R的形式进行编号,{1,2,…,R}为一种排样顺序,称其为一个个体,表示先排布1号矩形,再排布2号矩形,最后排布R号矩形。编号区域的含义为:以参与排样的矩形块有10块为例,{1,…,}是由10个基因组成的,代表以1为首要排布顺序的所有个体集合,所以可以将种群分为10个子种群的集合,分别为{1,…,},{2,…,},{3,…,},…,{10,…,},这10个子种群即为对应的10个编号区域。
进一步的,在步骤S13中,计算每个个体的适用度值的公式为:
其中,Wi和Hi表示第i块矩形块的宽和高,H和W表示当前矩形模板的高和宽。
进一步的,在步骤S15中,采用单点交叉方法时排样个体产生的子代个体的个数与排样个体的个数相同,即若排样个体为R个,则产生的子代个体的个数也为R个;对R个排样个体采用第一概率进行多点顺序交换变异产生的变异个体为m×R×(R+1)/2个,再将m×R×(R+1)/2个个体进行第二概率的旋转变异,最终得到的变异个体为m×R×(R+1)/2个。其中,第一概率Pm与第二概率Pr的关系为:Pm+Pr=1(Pm>>Pr),则在步骤S16中,下一代种群的个体个数应为R×2+m×R×(R+1)/2个。
在一具体实施例中,采用单点交叉方法,产生的子代个体,如图2所示,图中不同颜色的小矩形块代表的是遗传算法选择的参与排样的矩形块,将其编号为1~10,一种顺序便代表了一个个体,每个编号代表一个基因,则单点交叉的过程为:先分别选中父代1与父代2的第四个位置的基因,将父代1的第四个位置及之前的基因保留给子代1,将父代2第四个位置之后的基因传给子代1,然后对子代1做冲突检测,依次找出子代1中重复的基因,再找出父代2中子代1没有的基因,将找出来的两种基因按先后顺序依次进行交换,便可得到子代1;同理,可以得到子代2。
图3为本发明涉及的遗传算法中的多点顺序交换变异示意图,图中选取了四个位置进行变异,这个位置的个数主要取决于个体的适应度值,所以将其先按适应度值降序排列,第一个个体适应度值最高,优势基因比较多,所以只取第一个个体的两个位置进行交换变异,其产生的子代取m个,第二个个体取三个位置变异,子代个数取m*2个,以此类推。图3中父代被选中的基因为{2,3,6,8},则其子代对应位置的基因应变为{8,2,3,6},依次向后移动一个基因,末尾基因补到高位,这便是顺序交换变异的思路,矩形块的排布顺序由原来的{1,2,3,4,5,6,7,8,9,10}变为{1,8,2,4,5,3,7,6,9,10}。
本发明提供的基于遗传算法的矩形块排样顺序确定方法,使用单点交叉法与多点顺序交换变异法,这两种方法原理简单,便于编程实现。
根据本发明的另一个方面,提供了一种基于遗传算法的矩形块排样顺序确定装置,如图4所述,该装置包括:
上限值设置单元41,用于设置遗传算法达到的适应度值保持不变的遗传代数上限值为第一预设值;
初代种群获得单元42,用于将待排样的矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;
排样单元43,用于按预设公式计算初代种群中每个个体的适应度值,取每个编号区域中适应度值最大的个体为排样个体,并对排样个体按适应度值降序排列;
判断单元44,用于计算排样个体的中适应度值最大的个体的适应度值保持不变的遗传代数,判断遗传代数是否大于等于第一预设值;
判断结果执行单元45,用于若判断单元的结果为是,则结束遗传算法;若判断单元的结果为否,则采用单点交叉方法,使排样个体产生子代个体;将排样个体以第一概率进行多点顺序交换变异,之后再以第二概率进行旋转变异,使排样个体产生变异个体;
遗传算法迭代单元46,用于将排样个体、子代个体以及变异个体归至相应编号区域作为下一代种群,重新计算下一代种群中个体的适应度值,按照编号区域选取排样个体并进行排序,再使排样个体进行交叉和变异,直到遗传代数大于等于第一预设值。
本发明提供的基于遗传算法的矩形块排样顺序确定装置,通过改变原有遗传算法中选择环节、变异环节以及产生子代环节中的矩形块来源,提高了矩形模板的平均利用率;通过设置遗传算法达到适应度值保持不变的代数上限值,并将其与实际适应度值代数值进行比较来判断遗传算法的结束与否,避免了不必要的遗传迭代,节省排样时间;使用单点交叉法与多点顺序交换变异法,这两种方法原理简单,便于编程实现。
进一步的,在初代种群获得单元42中,编号区域包括同一类个体的集合;一个个体即为一种排样顺序。
根据本发明的另一个方面,提供了一种遗传算法与最低水平线算法结合的矩形块排样方法,如图5所示,该方法包括:
S51,编写矩形块生成程序,生成多个矩形块;
S52,在矩形块中选择符合预设公式的矩形块;
S53,利用上述实施例所提供的基于遗传算法的矩形块排样顺序确定方法,确定符合预设公式的矩形块的排样顺序;
S54,采用最低水平线搜索算法,确定符合预设公式的矩形块的排样位置;
S55,将符合预设公式的矩形块按照排样顺序和排样位置,排样到当前矩形模板中,并记录排样到当前矩形模板中的矩形块的面积之和;
S56,依次从不符合预设公式的矩形块中,查找符合当前矩阵模板中空白域的矩形块,并排样到当前矩形模块的空白域中,并更新排样到当前矩形模板中的矩形块的面积之和。
本发明提供的遗传算法与最低水平线算法结合的矩形块排样方法,通过基于遗传算法的矩形块排样顺序确定方法确定矩形块排样顺序,通过最低水平线搜索算法确定矩形块排样位置,可以提高原材料的利用率,节省排样时间,能够为工厂节省成本,提高生产效率。
进一步的,在S52中,使用的预设公式为由为矩形模板面积系数,Wi、Hi为第i个矩形块对应的宽度与高度,W与H分别为矩形模板的宽度与高度。
进一步的,该遗传算法与最低水平线算法结合的矩形块排样方法,还包括:
利用排样到当前矩形模板中的矩形块的面积之和,计算当前矩形模板的利用率,计算公式为:Uk=S/(W×H),其中利用率为Uk,S为排样至当前矩形模板的矩形块的面积之和,W与H分别为当前矩形模板的宽度与高度。
进一步的,采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置,包括:
以当前矩形模板的下侧边界轮廓作为初始最低水平线,记录最低水平线以上能够填充矩形块的区域宽度和高度;
将记录的区域宽度和高度,与当前待排样的矩形块的宽度和高度进行比较,判断当前待排样的矩形块是否能排样到当前矩形模板中;
若果是,则将当前待排样的矩形块排样至当前矩形模块中;否则,按矩形块的排放顺序,依次查看当前待排样的矩形块之后的矩形块是否能排样到当前矩形模板中;
若当前排样顺序下的矩形块都无法排样至当前矩形模板时,则提升最低水平线,重新记录能够填充矩形块的区域宽度与高度,对当前排样顺序下的矩形块进行排样。
在一具体实施例中,采用遗传算法与最低水平线算法结合的矩形块排样方法对矩形块进行排样中,取当前矩形模板的高度H=2400,宽度W=1200,具体过程包括:
第一步:编写程序,随机产生大规模的矩形块,存储在数组A中,并将其按面积降序排列,此时取len(A)=1500。具体的,矩形块产生方式为:将B块高为H,宽为W的矩形模板切割成小矩形块,并将其分散,切割的块数R的范围为:10≤R≤20,通过这样切割,消耗的模板数量B=94;
第二步:取从数组A中取R块矩形,确定遗传算法中涉及的参数,如下表所示:
以参与排样的矩形块为10块为例,将这10块矩形进行编码,分别对应1,2,…,10号,{1,2,…,10}为一个个体,对应一种矩形排放顺序,以编号区域为特征产生不重复的个体,每个区域内平均产生的个体数量为50个;
第三步:对于每个个体对应的排放顺序,采用最低水平线搜索算法进行排布,之后再计算每个个体的适应度函数值,从每个区域中分别选取一个最优的个体,共10个,将这10个个体按适应度值降序排列,将其存储在数组Q中。其中最低水平线搜索算法具体执行步骤为:(1)以矩形模板的下侧边界轮廓作为初始最低水平线,记录最低水平线以上的可以填充矩形的区域宽度与高度;(2)将记录的区域尺寸与当前待排布的矩形尺寸进行比较,判断是否可以排布到模板中,若否,则以排放顺序依次查看当前矩形块之后的矩形块是否可以排布;(3)对于记录的所有可填充区域,当前个体下的矩形块都无法排布进去时,提升最低水平线,重新记录区域宽度与高度,执行步骤(2)。
第四步:将数组Q中的个体如图2进行单点交叉,产生10个子代个体,同时将数组Q中的个体如图3以概率Pm进行多点顺序交换变异,其中适应度值排第一的个体取两个点进行交换变异,在产生的子代中取5个个体作为下一代种群的一部分,排第二的个体取三个点进行交换变异,产生的子代中取10个个体作为下一代种群的一部分,以此类推,对于第10个个体,其最多只有10个基因,所以取10个点进行交换变异,所取个体数量与第9个个体一致。
第五步:将第四步中交换变异获得的子代以概率Pr进行旋转变异,若待变异的个体是由数组Q中排列第一的个体产生的,则该个体只选择一个基因进行旋转变异,如:{1,3,2,4,6,5,7,9,8,10}选择一个基因旋转变异为{1,-3,2,4,6,5,7,9,8,10},负号表示将对应编号的矩形块宽高互换进行排布。其中,Pm与Pr的关系为Pm+Pr=1(Pm>>Pr)。
第六步:对获得的子代执行第三步,当个体的最大适应度值持续不变的代数大于等于第一预设值时,结束遗传,将获得的最优排布顺序以最低水平线搜索算法排布,再从其他未排布的1400块矩形中搜索可以填充模板中空白区域的矩形进行排布。
上述矩形块排样的结果如图6所示,其能在较少的迭代代数内获得最优解,排布1500个矩形块,本方法使用了99个模板,排布一个模板所使用的平均时间为14.4s,达到最优利用率时的平均迭代代数在31代左右,平均利用率在95%左右,通过这些数据表明,本方法对于提升板材利用率有效果。
根据本发明的另一个方面,提供了一种遗传算法与最低水平线算法结合的矩形块排样装置,如图7所示,该装置包括:
矩形块获取单元71,用于编写矩形块生成程序,生成多个矩形块;
矩形块选择单元72,用于在矩形块中选择符合预设公式的矩形块;
排样顺序确定单元73,用于利用上述所提供的基于遗传算法的矩形块排样顺序确定方法,确定符合预设公式的矩形块的排样顺序;
排样位置确定单元74,用于采用最低水平线搜索算法,确定符合预设公式的矩形块的排样位置;
第一排样单元75,用于将符合预设公式的矩形块按照排样顺序和排样位置,排样到当前矩形模板中,并记录排样到当前矩形模板中的矩形块的面积之和;
第二排样单元76,用于依次从不符合预设公式的矩形块中,查找符合当前矩形模板中空白域的矩形块,并排样到当前矩形模块的空白域中,并更新排样到当前矩形模板中的矩形块的面积之和。
本发明提供的遗传算法与最低水平线算法结合的矩形块排样装置,通过基于遗传算法的矩形块排样顺序确定方法确定矩形块排样顺序,通过最低水平线搜索算法确定矩形块排样位置,可以提高原材料的利用率,节省排样时间,能够为工厂节省成本,提高生产效率。
进一步的,该遗传算法与最低水平线算法结合的矩形块排样装置还包括:
利用率计算单元,用于利用排样到当前矩形模板中的矩形块的面积之和,计算当前矩形模板的利用率。
进一步的,排样位置确定单元74,包括:
排样区域确定子单元,用于以当前矩形模板的下侧边界轮廓作为初始最低水平线,记录最低水平线以上能够填充矩形块的区域宽度和高度;
排样判断子单元,用于将记录的区域宽度和高度,与当前待排样的矩形块的宽度和高度进行比较,判断当前待排样的矩形块是否能排样到当前矩形模板中;
排样判断结果执行子单元,用于当排样判断子单元的结果为是时,将当前待排样的矩形块排样至当前矩形模块中;否则,按矩形块的排放顺序,依次查看当前待排样的矩形块之后的矩形块是否能排样到当前矩形模板中;
最低水平线重置单元,用于在当前排样顺序下的矩形块都无法排样至当前矩形模板时,则提升最低水平线,重新记录能够填充矩形块的区域宽度与高度,对当前个体下的矩形块进行排样。
至此,已经结合附图对本实施例进行了详细描述。依据以上描述,本领域技术人员应当对本发明有了清楚的认识。
需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。
还需要说明的是,本文可提供包含特定值的参数的示范,但这些参数无需确切等于相应的值,而是可在可接受的误差容限或设计约束内近似于相应值。实施例中提到的方向用语,仅是参考附图的方向,并非用来限制本发明的保护范围。此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
应注意,贯穿附图,相同的元素由相同或相近的附图标记来表示。在以上描述中,一些具体实施例仅用于描述目的,而不应该理解为对本发明有任何限制,而只是本发明实施例的示例。在可能导致对本发明的理解造成混淆时,将省略常规结构或构造。应注意,图中各部件的形状和尺寸不反映真实大小和比例,而仅示意本发明实施例的内容。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遗传算法的矩形块排样顺序确定方法,其特征在于,所述方法包括:
设置遗传算法达到的适应度值保持不变的遗传代数上限值为第一预设值;
将待排样的矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;
计算所述初代种群中每个个体的适应度值,取每个编号区域中适应度值最大的个体为排样个体,并对所述排样个体按所述适应度值降序排列;
计算所述排样个体中适应度值最大的个体的适应度值保持不变的遗传代数,判断所述遗传代数是否大于等于第一预设值;
若是,则结束所述遗传算法;否则,采用单点交叉方法,使所述排样个体产生子代个体;将所述排样个体以第一概率进行多点顺序交换变异,之后再以第二概率进行旋转变异,使所述排样个体产生变异个体;
将所述排样个体、子代个体以及变异个体归至相应的编号区域作为下一代种群,重新计算所述下一代种群中个体的适应度值,按所述编号区域选取所述排样个体并进行排序,再使所述排样个体进行交叉和变异,直到所述遗传代数大于等于第一预设值。
2.根据权利要求1所述的方法,其特征在于,所述编号区域包括同一类个体的集合;一个个体即为一种排样顺序。
3.一种基于遗传算法的矩形块排样顺序确定装置,其特征在于,所述装置包括:
上限值设置单元,用于设置遗传算法达到的适应度值保持不变的遗传代数上限值为第一预设值;
初代种群获得单元,用于将待排样的矩形块进行编码,得到多个编号区域,在不同编号区域内生成多个个体作为初代种群;
排样单元,用于统计所述初代种群中每个个体的适应度值,取每个编号区域中适应度值最大的个体为排样个体,并对所述排样个体按所述适应度值降序排列;
判断单元,用于计算所述排样个体的中适应度值最大的个体的适应度值保持不变的遗传代数,判断所述遗传代数是否大于等于第一预设值;
判断结果执行单元,用于若判断单元的结果为是,则结束所述遗传算法;若判断单元的结果为否,则采用单点交叉方法,使所述排样个体产生子代个体;将所述排样个体以第一概率进行多点顺序交换变异,之后再以第二概率进行旋转变异,使所述排样个体产生变异个体;
遗传算法迭代单元,用于将所述排样个体、子代个体以及变异个体归至相应的编号区域作为下一代种群,重新计算所述下一代种群中个体的适应度值,按所述编号区域选取所述排样个体并进行排序,再使所述排样个体进行交叉和变异,直到所述遗传代数大于等于第一预设值。
4.根据权利要求3所述的装置,其特征在于,所述编号区域包括同一类个体的集合;一个个体即为一种排样顺序。
5.一种遗传算法与最低水平线算法结合的矩形块排样方法,其特征在于,包括:
编写矩形块生成程序,生成多个矩形块;
在所述矩形块中选择符合预设公式的矩形块;
利用权利要求1至2中任一项所述的基于遗传算法的矩形块排样顺序确定方法,确定所述符合预设公式的矩形块的排样顺序;
采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置;
将所述符合预设公式的矩形块按照所述排样顺序和排样位置,排样到当前矩形模板中,并记录排样到当前矩形模板中的矩形块的面积之和;
依次从不符合预设公式的矩形块中,查找符合当前矩形模板中空白域的矩形块,排样到当前矩形模块的空白域中,并更新排样到当前矩形模板中的矩形块的面积之和。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
利用所述排样到当前矩形模板中的矩形块的面积之和,计算所述当前矩形模板的利用率。
7.根据权利要求6所述的方法,其特征在于,采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置,包括:
以当前矩形模板的下侧边界轮廓作为初始最低水平线,记录所述最低水平线以上能够填充矩形块的区域宽度和高度;
将所述记录的区域宽度和高度,与当前待排样的矩形块的宽度和高度进行比较,判断当前待排样的矩形块是否能排样到当前矩形模板中;
若是,则将当前待排样的矩形块排样至当前矩形模块中;否则,按矩形块的排样顺序,依次查看当前待排样的矩形块之后的矩形块是否能排样到当前矩形模板中;
若当前排样顺序下的矩形块都无法排样至当前矩形模板时,则提升所述最低水平线,重新记录能够填充矩形块的区域宽度与高度,对当前排样顺序下的矩形块进行排样。
8.一种遗传算法与最低水平线算法结合的矩形块排样装置,其特征在于,包括:
矩形块获取单元,用于编写矩形块生成程序,生成多个矩形块;
矩形块选择单元,用于在所述矩形块中选择符合预设公式的矩形块;
排样顺序确定单元,用于利用权利要求1至2中任一项所述的基于遗传算法的矩形块排样顺序确定方法,确定所述符合预设公式的矩形块的排样顺序;
排样位置确定单元,用于采用最低水平线搜索算法,确定所述符合预设公式的矩形块的排样位置;
第一排样单元,用于将所述符合预设公式的矩形块按照所述排样顺序和排样位置,排样到当前矩形模板中,并记录排样到当前矩形模板中的矩形块的面积之和;
第二排样单元,用于依次从不符合预设公式的矩形块中,查找符合当前矩形板中空白域的矩形块,并排样到当前矩形模块的空白域中,并更新所述排样到当前矩形模板中的矩形块的面积之和。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
利用率计算单元,用于利用所述排样到当前矩形模板中的矩形块的面积之和,计算所述当前矩形模板的利用率。
10.根据权利要求8所述的装置,其特征在于,所述排样位置确定单元,包括:
排样区域确定子单元,用于以当前矩形模板的下侧边界轮廓作为初始最低水平线,记录所述最低水平线以上能够填充矩形块的区域宽度和高度;
排样判断子单元,用于将所述记录的区域宽度和高度,与当前待排样的矩形块的宽度和高度进行比较,判断当前待排样的矩形块是否能排样到当前矩形模板中;
排样判断结果执行子单元,用于当排样判断子单元的结果为是时,将当前待排样的矩形块排样至当前矩形模块中;否则,按矩形块的排放顺序,依次查看当前待排样的矩形块之后的矩形块是否能排样到当前矩形模板中;
最低水平线重置单元,用于在当前排样顺序下的矩形块都无法排样至当前矩形模板时,提升所述最低水平线,重新记录能够填充矩形块的区域宽度与高度,对当前个体下的矩形块进行排样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668846.5A CN110390360A (zh) | 2019-07-23 | 2019-07-23 | 基于遗传算法的矩形块排样顺序确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668846.5A CN110390360A (zh) | 2019-07-23 | 2019-07-23 | 基于遗传算法的矩形块排样顺序确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390360A true CN110390360A (zh) | 2019-10-29 |
Family
ID=68287096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668846.5A Pending CN110390360A (zh) | 2019-07-23 | 2019-07-23 | 基于遗传算法的矩形块排样顺序确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390360A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991755A (zh) * | 2019-12-09 | 2020-04-10 | 广西大学 | 一种用于考虑可加工性的多尺寸板材矩形件优化下料算法 |
CN111210157A (zh) * | 2020-01-13 | 2020-05-29 | 上海威派格智慧水务股份有限公司 | 一种水箱动态调蓄方法 |
CN112418528A (zh) * | 2020-11-24 | 2021-02-26 | 哈尔滨理工大学 | 基于多策略动态调整的两栖车辆排样面积利用最大化方法 |
CN113032921A (zh) * | 2021-03-16 | 2021-06-25 | 山东科技大学 | 基于并行自适应参数布谷鸟搜索与最低水平线的排样算法 |
CN114970983A (zh) * | 2022-05-10 | 2022-08-30 | 武汉理工大学 | 一种基于改进lhl算法的客滚船配载优化方法 |
WO2023066266A3 (zh) * | 2021-10-19 | 2023-09-21 | 深圳须弥云图空间科技有限公司 | 基于遗传算法的排样方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080276215A1 (en) * | 2005-03-28 | 2008-11-06 | National Inst. Of Adv. Indust. Science And Tech. | Mask Pattern Designing Method Using Optical Proximity Correction in Optical Lithography, Designing Device, and Semiconductor Device Manufacturing Method Using the Same |
CN103793555A (zh) * | 2014-01-02 | 2014-05-14 | 南通大学 | 用于木工板件零件的智能排样优化方法 |
CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
-
2019
- 2019-07-23 CN CN201910668846.5A patent/CN110390360A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080276215A1 (en) * | 2005-03-28 | 2008-11-06 | National Inst. Of Adv. Indust. Science And Tech. | Mask Pattern Designing Method Using Optical Proximity Correction in Optical Lithography, Designing Device, and Semiconductor Device Manufacturing Method Using the Same |
CN103793555A (zh) * | 2014-01-02 | 2014-05-14 | 南通大学 | 用于木工板件零件的智能排样优化方法 |
CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
Non-Patent Citations (4)
Title |
---|
BONFIM A.JUNIOR ET.AL: "Tackling the Irregular Strip Packing Problem by Hybridizing Genetic Algorithm and Bottom-Left Heuristic", 《2013 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》 * |
HAIMING LIU ET.AL: "Optimization Algorithm for Rectangle Packing Problem Based on Varied-factor Genetic Algorithm and Lowest Front-Line Strategy", 《2014 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》 * |
张怀宇 等: "二维Strip Packing问题的嵌套启发式算法", 《系统仿真学报》 * |
龚志辉 等: "二维矩形件优化排样算法的改进研究", 《湖南大学学报(自然科学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991755A (zh) * | 2019-12-09 | 2020-04-10 | 广西大学 | 一种用于考虑可加工性的多尺寸板材矩形件优化下料算法 |
CN110991755B (zh) * | 2019-12-09 | 2022-04-19 | 广西大学 | 一种用于考虑可加工性的多尺寸板材矩形件优化下料方法 |
CN111210157A (zh) * | 2020-01-13 | 2020-05-29 | 上海威派格智慧水务股份有限公司 | 一种水箱动态调蓄方法 |
CN111210157B (zh) * | 2020-01-13 | 2023-05-12 | 上海威派格智慧水务股份有限公司 | 一种水箱动态调蓄方法 |
CN112418528A (zh) * | 2020-11-24 | 2021-02-26 | 哈尔滨理工大学 | 基于多策略动态调整的两栖车辆排样面积利用最大化方法 |
CN112418528B (zh) * | 2020-11-24 | 2021-09-14 | 哈尔滨理工大学 | 基于多策略动态调整的两栖车辆排样面积利用最大化方法 |
CN113032921A (zh) * | 2021-03-16 | 2021-06-25 | 山东科技大学 | 基于并行自适应参数布谷鸟搜索与最低水平线的排样算法 |
CN113032921B (zh) * | 2021-03-16 | 2022-12-13 | 山东科技大学 | 基于并行自适应参数布谷鸟搜索与最低水平线的排样算法 |
WO2023066266A3 (zh) * | 2021-10-19 | 2023-09-21 | 深圳须弥云图空间科技有限公司 | 基于遗传算法的排样方法及装置 |
CN114970983A (zh) * | 2022-05-10 | 2022-08-30 | 武汉理工大学 | 一种基于改进lhl算法的客滚船配载优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390360A (zh) | 基于遗传算法的矩形块排样顺序确定方法和装置 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN102222124B (zh) | 一种自动测试系统设计原理图的自动生成平台及其方法 | |
CN101188022B (zh) | 一种面向大城市灾害展示的洪涝淹没分析方法 | |
CN106680669A (zh) | 基于二进制混合算法的配电网故障区段定位方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN105956663A (zh) | 异形零件下料的并行排样优化方法 | |
CN108510050A (zh) | 一种基于混洗蛙跳的特征选择方法 | |
CN108460463A (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
WO2021169030A1 (zh) | 一种瓷砖组合渐变铺贴的自动化生成方法及系统 | |
CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
CN107679660A (zh) | 基于支持向量机的逐时建筑能耗预测方法 | |
CN104125582B (zh) | 一种规划通信网络的方法 | |
CN110197217A (zh) | 一种基于深度交错融合分组卷积网络的图像分类方法 | |
CN102857525A (zh) | 基于随机游走策略的社区发现方法 | |
CN106156067A (zh) | 用于为关系数据创建数据模型的方法和系统 | |
CN103824259B (zh) | 一种基于视觉区域比重平衡法则的图像构图美化方法和系统 | |
CN106874555A (zh) | 一种Reed‑Muller逻辑电路功耗和面积优化方法 | |
CN109064126B (zh) | 基于质量驱动的水电工程计量信息管理方法 | |
CN101510273A (zh) | 快速统计城市规划用地面积的方法和计算机程序 | |
CN109143796A (zh) | 确定光刻光源的方法、装置及模型训练方法、装置 | |
CN115292789A (zh) | 城市设计中基于形态类型的建筑体量数字化生成方法 | |
CN116805218A (zh) | 基于大数据分析的数字乡村规划信息管理方法及系统 | |
CN103714211B (zh) | 基于移动模式序列与多智能体粒子群的集成电路布图方法 | |
CN109558629A (zh) | 钢筋布置方案的生成方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191029 |
|
WD01 | Invention patent application deemed withdrawn after publication |