自适应遗传模拟退火算法在矩形件排样优化中的应用

"这篇论文研究了如何利用自适应遗传模拟退火算法来解决矩形件的优化排样问题，旨在提高板材的利用率。通过整数编码处理矩形件的排样序列，结合经验选择和随机生成策略构建初始种群。算法运用自适应交叉和变异概率动态调控遗传算法的收敛速度，同时借助模拟退火算法进行全局最优搜索。启发式最低水平线择优算法用于解码排样序列，形成有效的排样方案。实验结果证明，这种方法求解速度快，能够显著提高板材利用率。" 本文是一篇关于计算机工程与应用领域的论文，主要探讨了矩形件排样的优化问题。矩形件排样是一个典型的二维排样问题，其目标是最大化利用固定宽度、无限长度的矩形板材，广泛应用于板材下料和加工等制造业场景。问题的解决方案通常分为矩形件的定序和定位两个步骤。 传统的解决方法包括遗传算法和模拟退火算法，它们分别作为定序和定位的算法。遗传算法因其全局搜索能力而被广泛应用，但存在过早收敛和局部最优陷阱的问题。模拟退火算法则以其强大的局部搜索能力著称，不过它只保存一个状态，可能错过其他潜在最优解。 为了克服这些缺点，该论文提出了一种自适应遗传模拟退火算法。首先，采用整数编码方法表示矩形件的排样顺序，并通过经验选择和随机生成相结合的方法生成初始种群。接着，通过自适应地调整交叉和变异概率，使得遗传算法能够在保持探索性和收敛性之间找到平衡。同时，结合模拟退火算法，能够在搜索过程中跳出局部最优，向全局最优靠近。最后，利用启发式的最低水平线择优算法进行解码，确定矩形件在板材上的最佳位置。 实验结果显示，这种自适应遗传模拟退火算法在求解速度上表现出色，且能有效提高板材的利用率。与其他研究相比，如基于环形交叉和变异算子的自适应遗传算法、分阶段遗传算子的改进算法以及引入小生境技术的遗传算法，本文提出的算法在解决矩形件排样问题上取得了更好的效果。 这项研究为解决矩形件排样问题提供了一个新的优化工具，对于提高制造效率和降低成本具有重要意义，也为未来类似问题的优化算法设计提供了新的思路。