CN117372507A - 基于多种群遗传算法和混合启发式定位算法的排样方法 - Google Patents
基于多种群遗传算法和混合启发式定位算法的排样方法 Download PDFInfo
- Publication number
- CN117372507A CN117372507A CN202311375382.1A CN202311375382A CN117372507A CN 117372507 A CN117372507 A CN 117372507A CN 202311375382 A CN202311375382 A CN 202311375382A CN 117372507 A CN117372507 A CN 117372507A
- Authority
- CN
- China
- Prior art keywords
- pattern
- population
- layout
- algorithm
- discharged
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002068 genetic effect Effects 0.000 title claims abstract description 38
- 238000007599 discharging Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000004807 localization Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000014759 maintenance of location Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
本发明涉及一种基于多种群遗传算法和混合启发式定位算法的排样方法,包括:1)基于多种群遗传算法确定待排样图形放置顺序及对应的旋转角度;2)以待排样图形放置顺序及对应的旋转角度作为输入,基于混合启发式算法确定待排图形在母版上的位置,以输出排样结果。本发明利用多种群遗传算法对待排样图形进行定序,增加算法的探索能力和利用已有信息的能力,从而提高算法的优化效果;在精英保留策略的基础上结合轮盘赌算法,能加速最优解的搜索,有助于提高算法的计算效率;利用混合启发式定位算法对待排样图形进行排样,能优化排样算法,使排样效果好。
Description
技术领域
本发明涉及,特别是涉及一种基于多种群遗传算法和混合启发式定位算法的排样方法。
背景技术
二维不规则多边形的排样问题是指在特定的原材料上排列一系列数量和形状各不相同的待排图形,以排样得到的结果来指导设备完成加工,使原材料的利用率最大化,尽量减少原材料的浪费,提高制造企业的经济效益。二维排样问题广泛地存在于现代工业生产的方方面面,根据排样图形的几何特点,可以将二维排样问题分为三类:矩形排样、规则多边形排样(包括正多边形和圆等)和不规则多边形排样。矩形和规则多边形的排样都相对简单,而不规则多边形由于其形状复杂,旋转过程中图形在固定方向上的变化多样等原因,一直是二维排样问题中最复杂的一类问题。
二维不规则多边形排样问题属于NPC问题(Non-deterministic PolynomialComplete),其研究难点主要包括排样图形的定位和定序。其中,排样中常用的启发式定位方法有BLF(Bottom-Left-Fill)算法和最低水平线算法,但这两种单一的算法在搜索过程中具有一定的随机性导致效果不佳,且具有一定的局限性;定序方法常用的智能算法包括遗传算法、粒子群算法和模拟退火算法,而这些算法存在未成熟早收敛的缺陷,导致搜索范围变小并陷入局部最优。
发明内容
基于此,有必要针对现有用于二维不规则多边形排样的算法均存在未成熟早收敛的缺陷,导致搜索范围变小并陷入局部最优的问题,提供一种基于多种群遗传算法和混合启发式定位算法的排样方法。
一种基于多种群遗传算法和混合启发式定位算法的排样方法,包括:
1)基于多种群遗传算法确定待排样图形放置顺序;
2)以待排样图形放置顺序作为输入,基于混合启发式算法确定待排图形在母版上的位置,以输出排样结果。
在其中一个实施例中,所述基于多种群遗传算法确定待排样图形放置顺序,包括以下步骤:
A)生成初始种群;其中,初始种群包括初始种群a和初始种群b;
B)设计移民算子,并利用移民算子对初始种群进行迭代修正,得到迭代种群;所述迭代种群包括迭代种群a和迭代种群b;
C)利用迭代种群生成精英种群;
D)判断是否满足收敛条件,若是,则将精英种群作为结果输出;若否,则利用移民算子对迭代种群进行迭代修正,返回步骤C)。
在其中一个实施例中,以待排样图形按照面积从大到小的排放顺序,待排样图形的初始旋转角度为0°作为初始种群a的第一个个体编码,初始种群a中的其余个体编码由第一个个体编码经随机方法生成的;所述初始种群b的个体编码由初始种群a的第一个个体编码经随机方法生成。
在其中一个实施例中,所述设计移民算子的关键在于:选取当前种群a中m个适应度高的个体替换当前种群b中m个适应度底的个体;其中,当前种群a和当前种群b中均具有n个个体,m<n;
所述当前种群a为初始种群a或迭代种群a;所述当前种群b为初始种群b或迭代种群b。
在其中一个实施例中,所述生成精英种群,包括以下步骤:
a)将迭代种群a和迭代种群b中前m个适应度值高的个体选出,得到遗传集合;
b)利用轮盘赌算法对迭代种群a和迭代种群b中n-m个个体进行筛选,得到筛选集合;
c)将遗传集合及筛选集合整合,得到精英种群。
在其中一个实施例中,所述轮盘赌算法的计算公式为:
式中,Pi表示个体被选择的概率,fi表示个体的适应度值,i=1,……,n;
所述轮盘赌算法对迭代种群a和迭代种群b中n-m个个体进行筛选的关键在于:选择Pi不小于概率阈值的个体。
在其中一个实施例中,所述判断是否满足收敛条件的关键在于:判断迭代次数是否达到迭代次数阈值。
在其中一个实施例中,所述以待排样图形放置顺序作为输入,基于混合启发式算法确定待排图形在母版上的位置,包括以下步骤:
I)根据待排样图形放置顺序选择一个待排样图形置于母版中,并记录排样位置和当前空白区域;
II)根据已排样区域计算出下一待排样图形的初始排样位置集;
III)判断已排样区域中是否有空白区域可以放置下一待排样图形,若是,则将该待排样图形置于空白区域的最左下角,更新空白区域,然后进入步骤V);若否,则使该待排样图形遍历由步骤II)得到的初始排样位置集,得到该排样图形的多个排样位置,然后进入步骤IV);
IV)基于边贴合度的评估方法来确定该待排样图形的最优排样位置;
V)判断是否完成全部待排样图形的排样,若是,则将输出排样结果;若否,则返回步骤I)。
在其中一个实施例中,所述基于边贴合度的评估方法来确定该待排样图形的最优排样位置的关键在于:根据该排样图形的多个排样位置计算出相应的该排样图形与已排样图形及母版的共边长度,并选择其中共边长度最大对应的排样位置作为该待排样图形的最优排样位置。
在其中一个实施例中,所述基于多种群遗传算法确定待排样图形放置顺序之前先对待排样图形进行预处理,包括以下步骤:
i)使待排样图形处于同一坐标空间;
ii)使待排样图形置于同一图层中;
iii)删去待排样图形中不表示图形的元素,生成待排样图形;
iv)计算出每个待排样图形的面积;
v)利用闵可夫斯基矢量和法计算出待排样图形间的临界多边形。
本发明的有益效果为:利用多种群遗传算法对待排样图形进行定序,增加算法的探索能力和利用已有信息的能力,从而提高算法的优化效果;在精英保留策略的基础上结合轮盘赌算法,能加速最优解的搜索,有助于提高算法的计算效率;利用混合启发式定位算法对待排样图形进行排样,能优化排样算法,使排样效果好;对待排样图形进行预处理,能避免后期处理中的坐标系混乱,能降低数据的冗余度,减少数据处理的复杂性,提高处理速度。
附图说明
图1为本发明之基于多种群遗传算法和混合启发式定位算法的排样方法的流程图;
图2为本发明之对待排样图形进行预处理的方法流程图;
图3为多边形A和B的矢量表示图;
图4为多边形A和B之间的临界多边形求解过程图;
图5为本发明之基于多种群遗传算法确定待排样图形放置顺序的流程图;
图6为利用移民算子进行种群交互的示意图;
图7为本发明之生成精英种群的方法流程图;
图8为本发明之以待排样图形放置顺序作为输入,基于混合启发式算法确定待排图形在母版上的位置的方法流程图;
图9为本发明之初始排样位置集的示例图;
图10为本发明之使该待排样图形遍历初始位置集的示例图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
请参阅图1,本发明提供了一种基于多种群遗传算法和混合启发式定位算法的排样方法,包括:
1)基于多种群遗传算法确定待排样图形放置顺序;
2)以待排样图形放置顺序作为输入,基于混合启发式算法确定待排图形在母版上的位置,以输出排样结果。
请参阅图2,所述基于多种群遗传算法确定待排样图形放置顺序之前先对待排样图形进行预处理,包括以下步骤:
i)使待排样图形处于同一坐标空间;
ii)使待排样图形置于同一图层中;
iii)删去待排样图形中不表示图形的元素;
iv)计算出每个待排样图形的面积;
v)利用闵可夫斯基矢量和法计算出待排样图形间的临界多边形。
由于在排样之前的待排样图形为SVG图形文件,因此需要对待排样图形进行预处理。步骤i)能使每个待排样图形处于一个统一的坐标空间下,有效避免后期处理中的坐标系混乱;步骤ii)能方便后期对待排样图形进行为排样;步骤iii)使后期在排样时只考虑待排样图形的几何元素,能降低数据的冗余度,减少数据处理的复杂性,提高处理速度。
利用闵可夫斯基矢量和法计算出待排样图形间的临界多边形,包括以下步骤:
①使任意两个待排样图形中所有边向量的起点均移动到零点处;
②再将所有的向量按照逆时针顺序首尾相连,即可得到该两个待排样图形之间的临界多边形。
请参阅图3,假设两个二维不规则多边形A和B,将它们离散为二维平面上的点集,则A和B的闵可夫斯基矢量和P可以表示为式:
闵可夫斯基矢量和与临界多边形的关系可以表示为:
根据上式,可以得出闵可夫斯基矢量和法求解NFP的步骤。请参阅图4,将多边形A和B的所有边向量的起点均移动到零点处;再将所有的向量按照逆时针顺序首尾相连,即可得到多边形A和B的临界多边形NFPAB。
请参阅图5,所述基于多种群遗传算法确定待排样图形放置顺序,包括以下步骤:
A)生成初始种群;其中,初始种群包括初始种群a和初始种群b;
以待排样图形按照面积从大到小的排放顺序,待排样图形的初始旋转角度为0°作为初始种群a的第一个个体编码,初始种群a中的其余个体编码由第一个个体编码经随机方法生成的;所述初始种群b的个体编码由初始种群a的第一个个体编码经随机方法生成。
其中,待排样图形的旋转角度是通过待排样图形的图形信息在公开的排版数据集中查找到得到的。该公开的排版数据集为esscup数据集。需要说明的是初始种群a及初始种群b的数量可以为一个或多个,在本实施例中,初始种群a为一个,初始种群b为两个。
B)设计移民算子,并利用移民算子对初始种群进行迭代修正,得到迭代种群;所述迭代种群包括迭代种群a和迭代种群b;
所述设计移民算子的关键在于:选取当前种群a中m个适应度高的个体替换当前种群b中m个适应度底的个体;其中,当前种群a和当前种群b中均具有n个个体,m<n;
所述当前种群a为初始种群a或迭代种群a;所述当前种群b为初始种群b或迭代种群b。
其中,选取排版利用率作为适应度。
排版利用率的计算公式为
其中,fi为板材利用率(即个体适应度值),k为待排样图形的总数量;j=1,2,……,k;S版为版材面积。S版是根据待排样图形的排放顺序及其对应的旋转角度模拟排样后得到最大长度及最大宽度相乘得到的。以排版利用率为适应度值,能筛选出排版利用率高的排序方案出来,有效提高运算效率,且能提高运算出来的排样结果的准确度。利用移民算子对初始种群进行迭代修正的过程,请参阅图6。
C)利用迭代种群生成精英种群;
D)判断是否满足收敛条件,若是,则将精英种群作为结果输出;若否,则利用移民算子对迭代种群进行迭代修正,返回步骤C)。
请参阅图7,所述生成精英种群,包括以下步骤:
a)将迭代种群a和迭代种群b中前m个适应度值高的个体选出,得到遗传集合;
b)利用轮盘赌算法对迭代种群a和迭代种群b中n-m个个体进行筛选,得到筛选集合;
c)将遗传集合及筛选集合整合,得到精英种群。
所述轮盘赌算法的计算公式为:
式中,Pi表示个体被选择的概率,fi表示个体的适应度值,i=1,……,n;
所述轮盘赌算法对迭代种群a和迭代种群b中n-m个个体进行筛选的关键在于:选择Pi不小于概率阈值的个体。概率阈值是根据工作人员的经验人为设定的。
所述判断是否满足收敛条件的关键在于:判断迭代次数是否达到迭代次数阈值。迭代次数是根据工作人员的经验人为设定的。
请参阅图8,所述以待排样图形放置顺序作为输入,基于混合启发式算法确定待排图形在母版上的位置,包括以下步骤:
I)根据待排样图形放置顺序选择一个待排样图形置于母版中,并记录排样位置和当前空白区域;
一般而言,待排样图形优先放置于母版的左下角。
II)根据已排样区域计算出下一待排样图形的初始排样位置集;
具体步骤为:计算其五个备选位置并存储在一个位置列表中。五个备选位置的坐标分别为:(xmax,0),(xmax,ymin),(xmax,ymax),(xmin,ymax)和(0,xmin),其中xmax,xmin,ymax,ymin分别表示已排样图形在x轴和y轴方向上的最大最小坐标;结果请参阅图9。
III)判断已排样区域中是否有空白区域可以放置下一待排样图形,若是,则将该待排样图形置于空白区域的最左下角,更新空白区域,然后进入步骤V);若否,则使该待排样图形遍历由步骤II)得到的初始位置集,得到该排样图形的排样位置集,然后进入步骤IV);
请参阅图10,使该待排样图形遍历由步骤II)得到的初始位置集的具体过程为:以该待排样图形的左下点作为移动点,依次从初始排样位置集中选择一个位置作为起始位置(一般选择最靠近母版右上角的位置),按照向左向下的原则来移动该待排样图形,获取所有起始位置的排样位置,以形成排样位置集。
在进入步骤步骤IV)之前,需要对该排样图形的排样位置集进行筛选,关键在于:以该待排样图形的左下点作为参考点,将参考点位于该待排样图形与邻近该待排样图形的已排样图形之间的临界多变形NFP内的排样位置删去。
当参考点位于NFP上时,该待排样图形与邻近该待排样图形的已排样图形接触;
当参考点位于NFP内时,该待排样图形与邻近该待排样图形的已排样图形重叠;
当参考点位于NFP外时,该待排样图形与邻近该待排样图形的已排样图形不相交。
由此可知,当参考点位于NFP内时,该待排样图形与邻近该待排样图形的已排样图形重叠,不符合排样要求,需要将该排样位置删去。这样能提高运算速度。
IV)基于边贴合度的评估方法来确定该待排样图形的最优排样位置;
所述基于边贴合度的评估方法来确定该待排样图形的最优排样位置的关键在于:根据该排样图形的多个排样位置计算出相应的该排样图形及已排样图形与母版的共边长度,并选择其中共边长度最大对应的排样位置作为该待排样图形的最优排样位置。
V)判断是否完成全部待排样图形的排样,若是,则将输出排样结果;若否,则返回步骤I)。
本发明的有益效果为:利用多种群遗传算法对待排样图形进行定序,增加算法的探索能力和利用已有信息的能力,从而提高算法的优化效果;在精英保留策略的基础上结合轮盘赌算法,能加速最优解的搜索,有助于提高算法的计算效率;利用混合启发式定位算法对待排样图形进行排样,能优化排样算法,使排样效果好;对待排样图形进行预处理,能避免后期处理中的坐标系混乱,能降低数据的冗余度,减少数据处理的复杂性,提高处理速度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,包括:
1)基于多种群遗传算法确定待排样图形放置顺序及对应的旋转角度;
2)以待排样图形放置顺序及对应的旋转角度作为输入,基于混合启发式算法确定待排图形在母版上的位置,以输出排样结果。
2.根据权利要求1所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述基于多种群遗传算法确定待排样图形放置顺序及对应的旋转角度,包括以下步骤:
A)生成初始种群;其中,初始种群包括初始种群a和初始种群b;
B)设计移民算子,并利用移民算子对初始种群进行迭代修正,得到迭代种群;所述迭代种群包括迭代种群a和迭代种群b;
C)利用迭代种群生成精英种群;
D)判断是否满足收敛条件,若是,则将精英种群作为结果输出;若否,则利用移民算子对迭代种群进行迭代修正,返回步骤C)。
3.根据权利要求2所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于:以待排样图形按照面积从大到小的排放顺序,待排样图形的初始旋转角度为0°作为初始种群a的第一个个体编码,初始种群a中的其余个体编码由第一个个体编码经随机方法生成的;所述初始种群b的个体编码由初始种群a的第一个个体编码经随机方法生成。
4.根据权利要求3所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述设计移民算子的关键在于:选取当前种群a中m个适应度高的个体替换当前种群b中m个适应度底的个体;其中,当前种群a和当前种群b中均具有n个个体,m<n;
所述当前种群a为初始种群a或迭代种群a;所述当前种群b为初始种群b或迭代种群b。
5.根据权利要求4所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述生成精英种群,包括以下步骤:
a)将迭代种群a和迭代种群b中前m个适应度值高的个体选出,得到遗传集合;
b)利用轮盘赌算法对迭代种群a和迭代种群b中n-m个个体进行筛选,得到筛选集合;
c)将遗传集合及筛选集合整合,得到精英种群。
6.根据权利要求5所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述轮盘赌算法的计算公式为:
式中,Pi表示个体被选择的概率,fi表示个体的适应度值,i=1,……,n;
所述轮盘赌算法对迭代种群a和迭代种群b中n-m个个体进行筛选的关键在于:选择Pi不小于概率阈值的个体。
7.根据权利要求2所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述判断是否满足收敛条件的关键在于:判断迭代次数是否达到迭代次数阈值。
8.根据权利要求7所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述以待排样图形放置顺序作为输入,基于混合启发式算法确定待排图形在母版上的位置,包括以下步骤:
I)根据待排样图形放置顺序选择一个待排样图形置于母版中,并记录排样位置和当前空白区域;
II)根据已排样区域计算出下一待排样图形的初始排样位置集;
III)判断已排样区域中是否有空白区域可以放置下一待排样图形,若是,则将该待排样图形置于空白区域的最左下角,更新空白区域,然后进入步骤V);若否,则使该待排样图形遍历由步骤II)得到的初始排样位置集,得到该排样图形的多个排样位置,然后进入步骤IV);
IV)基于边贴合度的评估方法来确定该待排样图形的最优排样位置;
V)判断是否完成全部待排样图形的排样,若是,则将输出排样结果;若否,则返回步骤I)。
9.根据权利要求8所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述基于边贴合度的评估方法来确定该待排样图形的最优排样位置的关键在于:根据该排样图形的多个排样位置计算出相应的该排样图形与已排样图形及母版的共边长度,并选择其中共边长度最大对应的排样位置作为该待排样图形的最优排样位置。
10.根据权利要求1所述的基于多种群遗传算法和混合启发式定位算法的排样方法,其特征在于,所述基于多种群遗传算法确定待排样图形放置顺序之前先对待排样图形进行预处理,包括以下步骤:
i)使待排样图形处于同一坐标空间;
ii)使待排样图形置于同一图层中;
iii)删去待排样图形中不表示图形的元素,生成待排样图形;
iv)计算出每个待排样图形的面积;
v)利用闵可夫斯基矢量和法计算出待排样图形间的临界多边形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375382.1A CN117372507A (zh) | 2023-10-23 | 2023-10-23 | 基于多种群遗传算法和混合启发式定位算法的排样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375382.1A CN117372507A (zh) | 2023-10-23 | 2023-10-23 | 基于多种群遗传算法和混合启发式定位算法的排样方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372507A true CN117372507A (zh) | 2024-01-09 |
Family
ID=89403665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311375382.1A Pending CN117372507A (zh) | 2023-10-23 | 2023-10-23 | 基于多种群遗传算法和混合启发式定位算法的排样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372507A (zh) |
-
2023
- 2023-10-23 CN CN202311375382.1A patent/CN117372507A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941261B (zh) | 一种自主式水下航行器多区域遍历路径规划方法 | |
CN107330214A (zh) | 基于离散化与启发式进化算法的空间布局优化方法 | |
CN106845536B (zh) | 一种基于图像缩放的并行聚类方法 | |
Huang et al. | A probabilistic niching evolutionary computation framework based on binary space partitioning | |
CN106796589A (zh) | 空间数据对象的索引方法和系统 | |
Hruschka et al. | Improving the efficiency of a clustering genetic algorithm | |
Sheng et al. | Multilocal search and adaptive niching based memetic algorithm with a consensus criterion for data clustering | |
CN114862090A (zh) | 基于改进多目标遗传算法的车间调度方法和系统 | |
CN114970036B (zh) | 一种二维叶片叶型参数化设计方法、装置及可读存储介质 | |
JP3905959B2 (ja) | 配置最適化問題処理方法及び配置最適化問題処理装置並びに配置最適化問題処理プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN116203982A (zh) | 无人机电力巡查航迹规划方法及系统 | |
CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
CN113792933A (zh) | 一种车间布局优化方法、装置、电子设备及存储介质 | |
Michelakos et al. | A hybrid classification algorithm evaluated on medical data | |
CN117372507A (zh) | 基于多种群遗传算法和混合启发式定位算法的排样方法 | |
CN106610640A (zh) | 针对多目标柔性作业车间调度的含禁忌表的遗传与局部搜索算法 | |
CN112666890A (zh) | 一种曲面工件加工轨迹规划方法 | |
CN110704259B (zh) | 一种高效的数字微流控生物芯片测试路径优化方法 | |
CN114674336B (zh) | 基于线段的路径规划方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN114996781A (zh) | 一种基于演员-评论家的二维不规则零件排样方法和系统 | |
CN113780334B (zh) | 基于两阶段混合特征选择的高维数据分类方法 | |
CN113792494A (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
Navarro et al. | Niche-clearing-based Variable Mesh Optimization for multimodal problems | |
CN117953968B (zh) | 遗传变异位点的危害性排序方法及装置 |
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 |