遗传加模拟退火排样演示知识讲稿.pptVIP

基于遗传模拟退火算法的矩形板材排样问题;问题描述：;遗传算法：; 2.三种操作： （1）选择(Selection) ：从群体中选择出较适应环境的个体。这些选中的个体用于繁殖下一代。故有时也称这一操作为再生。由于在选择用于繁殖下一代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生。 （2）交叉(Crossover) ：在选中用于繁殖下一代的个体中，对两个不同的个体的相同位置的基因进行交换，从而产生新的个体。 （3）变异(Mutation)：这是在选中的个体中，对个体中的某些基因执行异向转化。在串bi 中，如果某位基因为1，产生变异时就是把它变成0；反亦反之。 ; 3.工作原理示意图：; 1.基本原理： 模拟退火算法SAA（Simulated Annealing Algorithm）源于固体退火原理。 退火：将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。 ; 根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解。;模拟退火算法：;1.基本原理： 遗传模拟退火算法是将遗传算法与模拟退火算法相结合而构成的一种优化算法，引入了局部搜索过程；以遗传算法运算流程为主体流程，将模拟退火机制融入其中，进一步调整优化群体。;2. 基本过程和控制参数： （1）整个算法的执行过程由两部分组成：首先通过遗传算法部分的进化操作(侧重全局搜索)产生较优良的一个群体，再利用模拟退火算法部分的退火操作(侧重局部搜索)来进行基因个体的优化调整，运行过程反复迭代，直到满足终止条件为止。 ;（2）控制参数： 种群规模 最大换代数 交叉率(crossover rate)就是参加交叉运算的染色体个数占全??染色体总数的比例，记为Pc,取值范围一般为0.4～0.99。 变异率(mutation rate)是指发生变异的基因位数所占全体染色体的基因总位数的比例，记为Pm，取值范围一般为0.0001～0.1。 初始温度 降温系数 ; 3.算法流程图;剩余矩形优势 ;（1）开始时剩余矩形数据集S中仅有一个矩形，即板材本身s1，s1=（（0,0），（W,H）），其中两个元素分别为左下角坐标和右上角坐标，下同。令S={s1}。 （2）从排列中取出第一个需排的矩形件p1(设长为，宽为)，将p1根据相应的排放方式r1排放在板材的坐下角，计算板材剩余矩形集S={s1,s2}。若r1=0(横放)，则s1=((,0),(W,H))，s2=（（0，），（W,H）），如下图；若r1=1（竖排），则s1=((,0),(W,H))，s2=（（0，），（W,H））。 ; ;剩余矩形排样法步骤;穷举剩余矩形与零件的重叠位置;穷举剩余矩形与零件的重叠位置;穷举剩余矩形与零件的重叠位置;穷举剩余矩形与零件的重叠位置;算法具体实现展示;谢谢大家！