CN113032921A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113032921A
CN113032921A CN202110280341.9A CN202110280341A CN113032921A CN 113032921 A CN113032921 A CN 113032921A CN 202110280341 A CN202110280341 A CN 202110280341A CN 113032921 A CN113032921 A CN 113032921A
Authority
CN
China
Prior art keywords
layout
algorithm
optimal
solution
population
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.)
Granted
Application number
CN202110280341.9A
Other languages
English (en)
Other versions
CN113032921B (zh
Inventor
郑为民
司明超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202110280341.9A priority Critical patent/CN113032921B/zh
Publication of CN113032921A publication Critical patent/CN113032921A/zh
Application granted granted Critical
Publication of CN113032921B publication Critical patent/CN113032921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了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，涉及工业矩形排样领域。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使用改进的布谷鸟搜索算法将每一种随机生成的矩形排样顺序和状态看作一个解，通过算法中适应度函数计算出每个解的优劣程度，保留每个种群最优解即每个种群的历史最优方案，最后得出最优排样方案及排样结果图。算法利用种群并行及参数自适应策略改进布谷鸟搜索算法，通过不断迭代从而寻找最佳矩形排样顺序和状态。在寻找最优值过程中，通过改进的最低水平线算法依据规则排布各个矩形，并保存当前最优解。

Description

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
技术领域
本发明涉及工业矩形排样领域，具体涉及一种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。
背景技术
在工业生产过程中，在大型原材料基础上裁剪所需要的板材的步骤极为常见，而很大一部分原材料由于裁剪方式的不科学，导致一部分材料会被浪费，从而相对加大了不必要的成本，降低了经济效益。此时，关于裁剪的策略应运而生——排样技术，而排样技术中，矩形排样技术占据重要部分，甚至很多不规则图形排样也可以将其近似为矩形进行排样操作。
矩形排样问题是经典的NP难度问题，具有高复杂性，目前还没有公认的最优解法。受前人研究成果启发，结合人类的生活习惯得到整齐度的概念，人们都希望剩余材料可以再次被利用，并且使用的材料相对较少。剩余材料可以再次被利用这个概念，要求剩余的材料未被使用过，即本次使用的材料最高水平线以下便是用去的所有材料。使用材料相对较少则是要求所有矩形被排放完之后最高水平线尽可能低。目前的求解思路是采用启发式算法找到最优解或近似最优解，并希望近似最优解无限接近最优解。排样问题的实际应用广泛，生活之中随处可见。该问题的原材料和待排放的物体只是抽象概念，原材料既可以是箱形容器也可以是板材、版面、玻璃、地面空间等等，而待摆放的物品可以是板材上裁剪下的零件、版面上的文章字体、具体应用时的玻璃板块等，因此，排样问题较多的应用于工业的材料(玻璃、纸品)切割、报纸的版面排布、货物装箱、结成电路的布局等领域，甚至人们人常生活中的物品整理、日程安排也可以归为排样问题范畴。在各式各样的排样问题中，矩形件排样问题在实际生产生活中占比最大，所以矩形件排样问题也成为了排样问题的基础。所以矩形排样问题的解决对工业生产和人们日常生活有一定改善作用。
原启发式算法的不断提出与发展，使得人们在求最值等优化问题上有了重要解决方式。它们可以用于解决工业、金融、数学等领域相关问题。布谷鸟搜索算法被提出后，其使用者进行多次改进以适应解决各个领域的相关问题，并取得显著效果。如修正布谷鸟搜索算法(MCS)，多目标布谷鸟搜索算法(MOCS)，混沌布谷鸟搜索算法(CCS)，二进制布谷鸟搜索算法(BCS)等。之前有过关于智能算法应用于排样问题的实例，如遗传模拟退火算法应用于矩形件排样问题研究，改进离散萤火虫算法应用于二维排样问题优化研究，遗传算法应用于圆形件排样问题，蚁群算法应用于钣金件排样问题。尽管前些年有其他算法应用到排样问题上，但随着智能算法的发展创新，多种新的策略被提出并证明在解决某些问题上有了新的突破。与其他启发式算法相比，CS算法的关键参数少于其他同类算法，算法易于实现。采用Lévy飞行搜索机制使该算法具有更好的全局搜索能力，同时该算法相对较新，不过CS算法在某些方面还有很大的改进空间。
随着科技的不断发展，众多学者提出了大量的方案去解决此类问题，在计算机技术的帮助下，取得了一定的成效，但效果依然无法达到最佳，关于钣金方面的裁剪问题，目前主要依靠经验丰富的工人利用多年的经验多零件进行排样，随后通过微调得到主观上的最佳排样图，然而，这样的排样方案效率低且效果不佳，同时造成了不必要的材料浪费，浪费劳动力资源。计算机技术帮助下的排样问题解决方案成为了当前人们的主要突破方向。
发明内容
本发明的目的是提出了一种基于并行自适应参数布谷鸟搜索与最低水平线相结合的排样算法，用以解决工业上钣金件排样问题，通过并行自适应的布谷鸟搜索算法不断尝试更加的排序及矩形状态方案，并配合基于改进的最低水平线算法得出排样方案的优劣程度，不断筛选，从而得出最优方案。
本发明具体采用如下技术方案：
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，使用改进的布谷鸟搜索算法将每一种随机生成的矩形排样顺序和状态看作一个解，通过算法中适应度函数计算出每个解的优劣程度，保留每个种群最优解即每个解的历史最优方案，最后得出最优排样方案及排样结果图。
优选地，解集的更新通过Lévy飞行结合参数调整方向及步长实现，种群解集的每次更新都会通过适应度函数判断当前种群及个体的最优解是否需要更新，每次通过Lévy飞行更新后的种群个体有一定概率Pa会被代替，通过偏好随机游走生成新的解，生成的新的解再次通过适应度函数筛查。
优选地，适应度函数是根据改进的最低水平线算法来计算出来的，计算每个方案优劣程度，根据优劣程度判断当前解是否符合保存下来的条件，从而不断的迭代出最优解。
优选地，每个解包括两部分，负责存储排样矩形顺序的数组和负责存储按排样顺序的每个矩形的状态数组。
优选地，并行自适应参数布谷鸟搜索过程为：种群间采用相邻子种群最优个体影响其他种群较差个体，随机生成0到1的影响权重因子q，由个体当前位置
Figure BDA0002978564880000021
与相邻种群最优个体位置
Figure BDA0002978564880000022
得出该个体下一代位置
Figure BDA0002978564880000023
即式(1)所示：
Figure BDA0002978564880000024
对比所有种群最优个体得到整体最优个体Gbest，生成影响权重因子a及影响个体数l，在每个子种群中得出l个非该种群内最优个体新位置
Figure BDA0002978564880000031
本发明具有如下有益效果：
该算法利用种群并行及参数自适应策略改进布谷鸟搜索算法，通过不断迭代从而寻找最佳矩形排样顺序和状态。在寻找最优值过程中，通过改进的最低水平线算法依据规则排布各个矩形，并保存当前最优解。
鲁棒性强。在群体智能算法领域大多算法均会出现收敛速度慢、容易陷入局部最优解，本发明采用改进的布谷鸟优化算法不仅继承了布谷鸟易跳出局部最优解的优点，而且通过并行策略与参数自适应策略改进了原算法存在的后期精确收敛速度慢的缺点。
附图说明
图1为该算法基于1、2、3、4、5、6号块填充的示例图；
图2为图1情况填充完之后继续填充矩形块7的示例图；
图3为基于Lévy分布的随机步长呈现出短距离的探索与偶尔较长距离行走的特点；
图4为matlab中进行仿真实验单纯基于最低水平线的矩形排样算法实验结果图；
图5为matlab中进行仿真并行自适应参数的布谷鸟搜索与改进最低水平线的矩形排样算法相结合的算法所得的实验结果图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
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，使用改进的布谷鸟搜索算法将每一种随机生成的矩形排样顺序和状态看作一个解，通过算法中适应度函数计算出每个解的优劣程度，保留每个种群最优解即每个解的历史最优方案，最后得出最优排样方案及排样结果图。
解集的更新通过Lévy飞行结合参数调整方向及步长实现，种群解集的每次更新都会通过适应度函数判断当前种群及个体的最优解是否需要更新，每次通过Lévy飞行更新后的种群个体有一定概率Pa会被代替，通过偏好随机游走生成新的解，生成的新的解再次通过适应度函数筛查。
适应度函数是根据改进的最低水平线算法来计算出来的，计算每个方案优劣程度，根据优劣程度判断当前解是否符合保存下来的条件，从而不断的迭代出最优解。
每个解包括两部分，负责存储排样矩形顺序的数组和负责存储按排样顺序的每个矩形的状态数组。
布谷鸟搜索算法(CS)具体过程为：将输入的矩形件顺序看作一个解，随机生成n个解，这n个解即为布谷鸟种群中的个体，每个解被独立的进行适应度检验，种群在每次迭代中保留下较优的解；
布谷鸟搜索算法在一次迭代中进行两次种群更新：基于Lévy飞行的随机游走更新和偏好随机游走更新，而且每次更新都有强记忆性，即如果更新后目标函数适应度提高则接受更新，否则保持原值；
设布谷鸟搜索算法设置的鸟巢个数即为N，鸟巢维度即解的维度为Nd，一个鸟巢代表目标函数的一个解，基于Lévy飞行的随机游走计算式如(2)～(5)所示：
Figure BDA0002978564880000041
Figure BDA0002978564880000042
其中，
Figure BDA0002978564880000043
表示第i个鸟巢在第t次迭代时的位置，a是步长系数，s是服从参数为β的Lévy分布随机数，
Figure BDA0002978564880000044
是此时适应度最好的粒子，符号
Figure BDA0002978564880000045
表示点乘；
s＝u/|v|1/β (4)
Figure BDA0002978564880000046
其中，u～N(0,σ2)，v～N(0,1)，1≤β≤3。
基于Lévy分布的随机步长呈现出短距离的探索与偶尔较长距离行走的特点，如图3所示：
基于布谷鸟搜索算法的并行自适应参数布谷鸟搜索(PACS)过程为：种群间采用相邻子种群最优个体影响其他种群较差个体，随机生成0到1的影响权重因子q，由个体当前位置
Figure BDA0002978564880000047
与相邻种群最优个体位置
Figure BDA0002978564880000048
得出该个体下一代位置
Figure BDA0002978564880000049
即式(1)所示：
Figure BDA00029785648800000410
对比所有种群最优个体得到整体最优个体Gbest，生成影响权重因子a及影响个体数l，在每个子种群中得出l个非该种群内最优个体新位置
Figure BDA00029785648800000411
针对布谷鸟搜索算法局部精准搜索能力差的缺点，本申请从两个方面进行改进：采用种群并行交流策略和参数自适应策略。
种群并行交流策略：算法可以通过种群并行交流策略来提高搜索能力和收敛速度，并且以更好的方式找到更好的解。对于采用并行通信策略的元启发式算法，将种群被分成多个子群，每个子群独立计算，并在每m次迭代后子种群间进行交流、扰动。基本思想是用一些群体的较好的解来代替或者影响其他群体的较差的解。在并行通信策略中，有许多方法可以与每个子组通信。最简单的便是每隔n代之后，从所有种群中比较得出当前整体最优解，使用该个体以某种方式影响其他组内较差个体。或者较为粗暴地直接以每一子种群最优个体直接将其他种群中较差的替代。本文主要采用两种交流策略对较差个体进行干扰(扰动)。首先，种群间采用相邻子种群最优个体影响其他种群较差个体，随机生成0到1的影响权重因子q，由个体当前位置
Figure BDA0002978564880000051
与相邻种群最优个体位置
Figure BDA0002978564880000052
得出该个体下一代位置
Figure BDA0002978564880000053
即
Figure BDA0002978564880000054
其次，对比所有种群最优个体得到整体最优个体Gbest，生成影响权重因子a及影响个体数l，在每个子种群中得出l个非该种群内最优个体新位置
Figure BDA0002978564880000055
并行策略的种群间交流有利于算法避免陷入局部最优，有利于多范围大几率找到全局最优或者其最优解附近；同时，该策略一定程度上会加快种群寻优速度，进一步提高工作效率。这一点在算法对比一节也可以被证明。
采用参数自适应策略保证前期大范围、强随机性搜索，后期小范围局部精准搜素。种群智能算法为保证寻到全局最优解，一般在解集范围内随机撒点，然后通过各种随机算法和可控的函数相结合，每一次迭代得出下一代位置。整个过程前期大范围全局随机搜索更有利于找到全局最优解或其附近，后期频繁局部搜索可以更精准的收敛到全局最优解或者近似全局最优解，保证更好地符合实验要求。
布谷鸟搜索算法涉及到的参数较少，真正可以起到影响作用的是解的舍弃概率Pa和Lévy步长a。通过前文介绍也可以了解到真正能够影响搜索范围的因素正是这两个参数。
关于舍弃概率Pa，本文通过sin函数Π/2到Π范围之内下降坡度先缓后陡的特性，将概率Pa通过以迭代次数为自变量得出来。从而进一步使其在迭代过程中随次数的不断增加，自适应地匹配合适的舍弃概率Pa。以保证前期较为频繁的长步长全局搜索，后期减小该搜索概率，避免振荡现象，达到精确收敛的效果。
关于Lévy飞行步长a，通过判断迭代次数是否符合标准，从而选择某个模式生成下一代位置的步长。这两个模式其中之一是原算法步长生成的方式，另外一个当迭代次数达到某个节点时，根据此时的迭代次数判断算法运行到什么程度，从而通过随机产生的概率因子降低步长，来起到避免下一步步长过大，产生跳动或震荡的局面。
通过28个基准测试函数进行测试，分别对布谷鸟搜索算法(CS)、并行和自适应参数策略改进的布谷鸟算法、粒子群优化算法(PSO)、并行策略改进的粒子群优化算法(PPSO)、正余弦算法(SCA)、鲸鱼优化算法(WOA)的性能进行了对比分析。对比结果如表(1)所示。(设置的种群数量为100，维度为50，迭代次数5000。)
表1
PSO PPSO CS PCS SCA WOA
1 4559.958412 -1361.31343 -1400 -1400 24574.88012 -1391.091147
2 118283273.3 41833756.48 16484662.67 17736338.48 398664579.5 55094446.33
3 1.30146E+11 17857566238 1740780719 862392920 86042620676 34442105183
4 51074.86439 26309.43074 97149.81206 49165.41373 61449.79301 47228.63632
5 2964.726525 -886.8967885 -999.9997656 -1000 2267.013797 -859.3356406
6 -493.2212269 -790.6441269 -856.454283 -855.5644741 1102.69537 -708.203134
7 -562.9645608 -628.1857367 -658.6380325 692.3069625 -608.8275703 -177.6271856
8 -678.868182 -678.8539069 -678.8697174 678.8815336 -678.8620133 -678.8565224
9 -541.4873678 -541.0699261 -540.8448765 545.9927815 -526.3169113 -529.2260926
10 935.5783742 -372.6124117 -499.417079 499.7735552 3065.626353 -323.3165084
11 41.68639387 -32.37089933 -227.2269388 248.9752743 304.418294 370.9242882
12 264.8940898 86.83118657 59.99964472 16.58146518 410.4055741 686.1065271
13 428.481433 312.1953026 215.7742435 195.4064233 553.9712089 769.8747179
14 9070.974372 8435.133465 5964.596947 6044.252655 13294.38732 9473.883192
15 11724.49446 10764.66661 9251.164214 8920.745678 14442.47085 10699.632
16 203.3509517 202.3915916 202.983144 201.293928 203.5565973 202.6035848
17 958.0992175 912.7900094 615.784284 585.1315054 1244.991179 1428.567944
18 1134.425745 987.7698383 790.0268119 739.1830335 1369.67343 1494.551323
19 62069.54423 548.6372108 522.8492127 520.1366982 33573.82433 649.6310453
20 622.8001229 623.0767496 623.0706126 622.0358149 623.8508067 624.6337615
21 1955.109268 1711.302061 904.0920448 907.3068007 4602.593981 1649.131335
22 10676.40905 10378.01308 8466.61358 8040.952704 15155.98324 12117.6642
23 12990.68577 12317.43634 11906.38712 11316.96075 15910.51897 13653.18246
24 1387.266554 1378.766035 1368.708404 1350.356767 1425.120471 1405.965603
25 1503.475795 1506.815787 1506.048211 1485.372925 1545.760768 1531.994029
26 1657.435261 1571.19384 1402.229871 1402.395491 1583.046381 1652.15636
27 3308.196026 3226.945506 3090.776162 3026.835972 3610.28182 3526.639281
28 4350.664434 2790.174301 1800.02422 1800 6010.676079 8825.984572
采用基于最低水平线的搜索算法来进行已确定顺序的矩形块集合排样，该算法的步骤如下：
Step 1：设置初始水平线队列，水平线队列以高度递增排列，此时队列中只有一个水平线，高度为0，长度等于原材料宽度；设置待排矩形块队列，顺序为已知的初始顺序。
Step 2：每当排入一个矩形件Ri时，就在水平线队列里选取高度最低的一段水平线，如有数段，则选取最左边的一段，判断该水平线段的宽度是否大于或等于待排零件的宽度。若该水平线段的宽度小于矩形块的宽度，则矩形块的状态继续对比，若仍无法放下该矩形块，则继续对比该块之后的其他块，若该块之后的所有矩形块均无法满足条件，则将该水平线舍弃，将此时最低水平线设置为除此段水平线之外的最低水平线，重新对比。
Step 3：重复Step2过程，直到能排入某个零件，每排入一个零件，将该零件从待排零件中去除。
Step 4：重复Step2和Step3过程，直至所有零件排放完毕，最后所得所有矩形件中上沿最大高度即为所需板材的高度。
结合图1，由1、2、3、4、5、6号块填充，假设这些矩形块的初始顺序为1、2、3、4、6、5，便会遇到Step2中所提到的情况，当4号块排入之后，6号块无论如何无法符合此时最低水平线的填入规则，所以需要将6号块之后的5号块继续与该水平线对比，同时，若此时5号矩形块的宽比高长，即是横放状态，则需调整状态才可以符合填入要求。
结合图2，是图1情况填充完之后继续填充矩形块7，当7号块填充完之后，此时最低水平线的高度既是4号块上沿高度，但由于该水平线可用范围过于小，无法满足任何矩形块的填充需要，所以，需要将最低水平线变为除该水平线之外最低水平线，即为1号块上沿，继续比对，以此类推。
本文实验采用的是通过改进布谷鸟搜索算法对矩形块排入的大致顺序以及初始状态改变，不断迭代变换初始排入顺序，从而寻找出最优解。
为了验证本发明的可行性和有效性，对30个大小不同的的矩形块进行排样处理，在matlab中进行仿真实验，得出排样示意图。
实验环境：Windows 10MATLAB R2020a
原料为：宽为20，高为200矩形
矩形件集(30个)为：
宽W：3 4 6 4 2 6 4 4 9 4 6 4 9 4 2 8 9 6 6 2 9 3 8 3 7 6 7 8 8 5；
高H：6 7 7 2 5 4 2 6 6 7 4 6 3 5 7 4 6 3 3 6 7 5 5 4 4 3 5 7 9 3；
初始顺序P：1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 2324 25 2627 28 29 30；
单纯基于最低水平线的矩形排样算法实验结果如图4所示。
基于并行自适应参数的布谷鸟搜索与改进最低水平线的矩形排样算法相结合的算法所得的实验结果：
最佳顺序为P：25 21 6 30 15 11 19 7 29 2 14 13 9 16 24 8 4 20 1 22 18 528 10 23 3 26 12 1727；
实验结果效果图如图5所示；
以初始顺序得出的排样结果所用材料高度为47，材料利用率为：841/940＝89.5％。
以改进算法相结合所得出的排样结果所用材料高度为43，材料利用率为：841/860＝97.8％。
为了验证本发明的可行性和有效性，对30个大小不同的的矩形块进行排样处理，在matlab中进行仿真实验，得出排样示意图。
实验环境：Windows 10MATLAB R2020a
原料为：宽为20，高为200矩形
矩形件集(30个)为：
宽W：3 4 6 4 2 6 4 4 9 4 6 4 9 4 2 8 9 6 6 2 9 3 8 3 7 6 7 8 8 5；
高H：6 7 7 2 5 4 2 6 6 7 4 6 3 5 7 4 6 3 3 6 7 5 5 4 4 3 5 7 9 3；
初始顺序P：1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 2324 25 26 27 28 2930；
单纯基于最低水平线的矩形排样算法实验结果如图4所示。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.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，其特征在于，使用改进的布谷鸟搜索算法将每一种随机生成的矩形排样顺序和状态看作一个解，通过算法中适应度函数计算出每个解的优劣程度，保留每个种群最优解即每个种群的历史最优方案，最后得出最优排样方案及排样结果图。
2.如权利要求1所述的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，其特征在于，解集的更新通过Lévy飞行结合参数调整方向及步长实现，种群解集的每次更新都会通过适应度函数判断当前种群及个体的最优解是否需要更新，每次通过Lévy飞行更新后的种群个体有一定概率Pa会被代替，通过偏好随机游走生成新的解，生成的新的解再次通过适应度函数筛查。
3.如权利要求2所述的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，其特征在于，适应度函数是根据改进的最低水平线算法来计算出来的，计算每个方案优劣程度，根据优劣程度判断当前解是否符合保存下来的条件，从而不断的迭代出最优解。
4.如权利要求2所述的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，其特征在于，每个解包括两部分，负责存储排样矩形顺序的数组和负责存储按排样顺序的每个矩形的状态数组。
5.如权利要求1所述的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，其特征在于，并行自适应参数布谷鸟搜索过程为：种群间采用相邻子种群最优个体影响其他种群较差个体，随机生成0到1的影响权重因子q，由个体当前位置
Figure FDA0002978564870000011
与相邻种群最优个体位置
Figure FDA0002978564870000012
得出该个体下一代位置
Figure FDA0002978564870000013
即式(1)所示：
Figure FDA0002978564870000014
对比所有种群最优个体得到整体最优个体Gbest，生成影响权重因子a及影响个体数l，在每个子种群中得出l个非该种群内最优个体新位置
Figure FDA0002978564870000015
CN202110280341.9A 2021-03-16 2021-03-16 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 Active CN113032921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110280341.9A CN113032921B (zh) 2021-03-16 2021-03-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110280341.9A CN113032921B (zh) 2021-03-16 2021-03-16 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

Publications (2)

Publication Number Publication Date
CN113032921A true CN113032921A (zh) 2021-06-25
CN113032921B CN113032921B (zh) 2022-12-13

Family

ID=76470720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110280341.9A Active CN113032921B (zh) 2021-03-16 2021-03-16 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

Country Status (1)

Country Link
CN (1) CN113032921B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688453A (zh) * 2021-08-23 2021-11-23 杭州群核信息技术有限公司 相对纹理铺贴商品排料计算方法、装置、电子设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336855A (zh) * 2013-05-24 2013-10-02 浙江工业大学 一种基于多子群粒子群算法的二维不规则排样方法
CN105956663A (zh) * 2016-03-04 2016-09-21 安徽工程大学 异形零件下料的并行排样优化方法
CN107169557A (zh) * 2017-05-12 2017-09-15 淮阴师范学院 一种对布谷鸟优化算法进行改进的方法
CN109800849A (zh) * 2018-12-13 2019-05-24 沈阳理工大学 动态布谷鸟搜索算法
CN110390360A (zh) * 2019-07-23 2019-10-29 天津大学 基于遗传算法的矩形块排样顺序确定方法和装置
CN110688219A (zh) * 2019-09-05 2020-01-14 浙江理工大学 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法
CN111080467A (zh) * 2019-12-17 2020-04-28 广东工业大学 一种面向卷型材的二维不规则零件排样下料方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336855A (zh) * 2013-05-24 2013-10-02 浙江工业大学 一种基于多子群粒子群算法的二维不规则排样方法
CN105956663A (zh) * 2016-03-04 2016-09-21 安徽工程大学 异形零件下料的并行排样优化方法
CN107169557A (zh) * 2017-05-12 2017-09-15 淮阴师范学院 一种对布谷鸟优化算法进行改进的方法
CN109800849A (zh) * 2018-12-13 2019-05-24 沈阳理工大学 动态布谷鸟搜索算法
CN110390360A (zh) * 2019-07-23 2019-10-29 天津大学 基于遗传算法的矩形块排样顺序确定方法和装置
CN110688219A (zh) * 2019-09-05 2020-01-14 浙江理工大学 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法
CN111080467A (zh) * 2019-12-17 2020-04-28 广东工业大学 一种面向卷型材的二维不规则零件排样下料方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
单宇晗: "基于自适应遗传算法的矩形排样方法研究", 《计算机与数字工程》 *
张子成: "基于模拟退火的布谷鸟算法在组合优化问题中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
张彦渤: "机械不规则零件排样方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688453A (zh) * 2021-08-23 2021-11-23 杭州群核信息技术有限公司 相对纹理铺贴商品排料计算方法、装置、电子设备和介质

Also Published As

Publication number Publication date
CN113032921B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
Taboada et al. Data clustering of solutions for multiple objective system reliability optimization problems
CN109886589A (zh) 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
Fox et al. A hybrid genetic algorithm for task allocation in multicomputers
US9513806B2 (en) Dimension based load balancing
Baykasoğlu et al. Weighted superposition attraction algorithm for binary optimization problems
CN105809279A (zh) 一种基于多目标量子混合蛙跳算法的水资源优化调度方法
Premalatha et al. Hybrid PSO and GA models for document clustering
Lin et al. Niche identification techniques in multimodal genetic search with sharing scheme
CN110795208A (zh) 基于改进粒子群的移动云计算自适应虚拟机调度方法
CN113032921B (zh) 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
CN108564592A (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN102831432A (zh) 一种适用于支持向量机训练的冗余数据约减方法
CN108830408A (zh) 一种面向任务资源匹配的装备保障任务多目标规划方法
CN103281374A (zh) 一种云存储中数据快速调度的方法
CN108762923A (zh) 采用差分进化算法作为Docker Swarm调度策略的方法
CN109711373A (zh) 一种基于改进蝙蝠算法的大数据特征选择方法
CN113408771A (zh) 物品出库调度方法、装置以及存储介质
CN113158580A (zh) 实木板材的一维排样方法
CN109445907A (zh) 一种用户服务高可用的Docker与虚拟机聚合放置方法
CN117407921A (zh) 基于必连和勿连约束的差分隐私直方图发布方法及系统
CN109388476A (zh) 基于多目标生物地理学优化算法的Docker与虚拟机聚合放置方法
CN116321189A (zh) 一种面向边缘计算中基于深度强化学习的服务器部署方法
Chen et al. Adaptive Model Pruning for Communication and Computation Efficient Wireless Federated Learning
Cheng et al. Solve the IRP problem with an improved discrete differential evolution algorithm
Benmessahel et al. An improved combinatorial particle swarm optimization algorithm to database vertical partition

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
GR01 Patent grant
GR01 Patent grant