混沌粒子群算法在二维排样问题中的应用

摘要

本文研究的是二维矩形零件排样算法,文章在对排样问题的基本概念、应用领域、国内外研究现状及发展趋势进行深入研究后,提出了一种新颖的改进粒子群算法(CHPSO),该算法是在粒子群算法框架的基础上将粒子划分为精英粒子和普通粒子两部分。当精英粒子陷入局部最优时,利用混沌搜索机制,扩大搜索范围。同时,将普通粒子划分为一个小种群,计算其种群多样性,通过判断该种群多样性的优劣来处理普通粒子速度的更新操作,从而很好地解决了粒子群算法搜索解的时间较长等缺点。于此之后,文章将该算法应用到于定宽无限长矩形优化排样问题上并通过改进剩余矩形算法完成解码操作。最后,文章通过横向及纵向实验验证,该算法在解决此类排样问题中可以较快地获得最优配切方案,并存在较明显地优势。

目录

文摘

英文文摘

致谢

插图清单

表格清单

第一章 绪论

1.1 概述

1.1.1 优化排样问题基本概念

1.1.2 优化排样问题类型

1.1.3 评价排样方案标准

1.2 二维优化排样问题研究背景和意义

1.3 二维优化排样问题国内外研究现状、趋势及存在的问题

1.3.1 二维优化排样问题的研究现状及趋势

1.3.2 二维优化排样存在的问题

1.4 本文内容及创新点

1.4.1 本文主要内容

1.4.2 本文的创新点

第二章 基于改进粒子群算法在矩形排样中的应用

2.1 矩形排样问题的描述

2.1.1 矩形排样问题的数学模型

2.2 矩形件排样的启发式算法

2.2.1 BL算法

2.2.2 BLF算法

2.2.3 下台阶算法

2.2.4 最低水平线法

2.2.5 “剩余矩形”法

2.3 粒子群算法的选择

2.3.1 粒子群算法的起源

2.3.2 基本粒子群优化算法

2.3.3 粒子群优化算法的现状和发展趋势

2.4 粒子群优化算法收敛性分析

2.5 粒子群优化算法的参数选择

2.6 改进粒子群算法(CHPSO)

2.6.1 基于Tent映射的混沌最优搜索机制

2.6.2 基于种群多样性的更新方法

2.7 基于改进粒子群算法(CHPSO)在优化排样中的应用

2.7.1 设置初始条件

2.7.2 适应度函数

2.7.3 停止规则

2.7.4 位置与速度的之间的运算

2.7.5 启发式解码算法

2.7.6 排样优化CHPSO算法描述

第三章 算法对比分析

3.1 排样算法实验与性能分析

3.2.排样算法横向对比实验

第四章 结论和工作展望

4.1 工作总结

4.2 工作设想

参考文献

攻读硕士学位期间发表的论文