基于遗传算法的一种新型一维排演下料方法与流程

本发明涉及计算机算法应用设计领域，尤其涉及基于遗传算法的一种新型一维排演下料算法设计。

背景技术：

一维排样下料问题是把棒状原料切割成若干长度子零件，在满足实际生产需求的前提下，尽可能提高生产利用率的np难问题。一维下料的问题广泛的存在于机械、制造、建筑、电力等诸多的实际工程中而受到各行各业的专家、学者的重视。近几年，随着国家大力倡导节能减排，优化资源配置、提高利用合理化、管理的科学化和综合化，目的是寻求最优化生产技术方案来获取最大的效益，以期在经济效益和生态效益寻得一合理的平衡点，以促进国民经济稳步健康发展。因此，寻求一种最优化的设计加工方案无疑能节约生产成本，提高企业市场竞争力，同时能降低能耗，减少对环境的伤害。

一维问题作为组合问题中的经典问题，从其计算规模的复杂度上看，其属于np完全问题，并且其具体求解受限于实际工程条件，因而对该问题的精确求解依赖于其实际的计算规模和工程约束条件。对于工程实际，一维排样下料问题，本身具有一定的限制条件，诸如原料种类、原料数量、产品种类、对应产品种类数量、具体生产订单要求等许多约束条件，对具体问题建立数学模型，寻找可行域内存在的最优解集，可想而知，该问题的解集十分庞大，并且基本不存在适用于任何情况的算法，对算法的设计提出了很大的要求。目前国内外对该问题的研究，都得到一个几乎相同的结论。对于小规模计算模型的一维排样下料，可通过一定的方法，在有限制可行域空间内寻得其全局最优解；但是对于大规模、超大规模的计算模型，当前尚缺乏一种行之有效的方法求得其全局最优解，仅能通过遗传算法、启发式算法等尽可能的寻得其全局近似最优解。遗传算法作为组合问题求解的常用的方法，在一定程度上能解决相当一部分的一维下料问题，但是由于遗传算法存在参数配置难、一旦参数配置偏差会陷入局部最优而无法寻得全局最优的情况，计算时间冗长等缺点；对于启发式算法的优点是计算速度快，缺点是其计算效果难以保证。

为克服现有技术的不足，本发明提出基于遗传算法提出的一种新型一维排演下料算法设计，适用于许多需要大量消耗棒料的实际工程。寻找一种最优化的设计加工方案无疑能节约最大的成本开销，更能为相关企业带来直接的经济效应，降低企业排放指标。

技术实现要素：

(一)要解决的技术问题

为了克服现有方法的不足，本发明公开了基于遗传算法提出的一种新型一维排演下料算法设计。

(二)技术方案

为解决上述问题，本发明提供了基于遗传算法提出的一种新型一维排演下料算法设计，包括步骤：

s1.把输入的产品根据不同长度，按照降序的方法排序，最小编码为1，依次推之，最后一个编号为最小零件。

s2.依据产品的长度和数量，搭建编码序列，例如：(1112222233.........)如此的编码序列，意思即是，1号产品有2件、2号产品需要5件，3号产品需要2件等...根据编码序列很容易换算得到对应的产品信息。例如product_length[1]即可取得产品1号的长度等信息(编码序列与产品信息搭建换算关系)通过基因编码原理，成功把多重嵌套循环转化成单次循环。

s3.三档优化阈值(1档、2档、3档)，阈值逐渐递减，通过单循环，从基因编码中取出编码，加入到累积变量之中，判断(累积变量/输入原材料长度)与设定阈值关系，达标break；作为一次成功扫描。

s4.扫描算子失败后(无法达到最小阈值目标)，启动变异算子。由于扫描算子，采用顺序累加计算利用率与阈值的关系作为循环终止条件，存在一定局限性。而变异算子，只是需要补充这点局限性，增加基因型的可能类型。例如：结果扫描算子运算得出的编基因型：11112，利用率可以达到93％(低于最小扫描目标，触发变异算子)。

第一步：自交换。随机选择前面的(n-1)个数，与最后面的第n个数交换。例如交换3和5,得到新的基因型11211

第二步：(利用总长)减(交换后前面n-1个数的长度和)等于新的余料长度.。

第三布：新的余长从剩余的编码库中取值带入，根据利用率作为终止判断条件。若变异后的基因型(对应的利用率优于变异前的，称为成功变异)将其基因型替换原来的基因型，给予保留。若变异失败，则保留变异前的。

s5.用继承算子继承先前父代的优秀基因编码作为新的子代基因编码，如此可以大大加快算法的运算速度。父代的优秀基因编码可能在部分基因在产品序列编码中不存在，则称为继承失败。父代的优秀基因编码在产品序列编码中能找得到，则即可组合成优良品种。

优选地，本发明所述的基于遗传算法提出的一种新型一维排演下料算法设计，其中步骤s1具体为:把待处理的子零件按照(长度较长的子零件排列在前)的原则进行排序，把排序完成后的新子零件序列的长度信息和数量信息分别存入product_length[]和product_length_number[]相应数组；把待切的原材料序列根据用户意愿，按照优先处理级别高的原材料排列在前的原则，把排列后的新子序列存入长度raw_material_length[]和数量raw_material_number[]。

优选地，本发明所述的基于遗传算法提出的一种新型一维排演下料算法设计，其中步骤s2具体为:构建遗传编码序列(如图1所示)。根据前文设定原料长度为l1,l2,l3,…，ln-1，ln；其相应数量为：n1,n2,n3,…，nn-1，nn；我们用数字1，2.....n代表对应原材料的编码，根据数组里面出现1的次数来代表1号原材料相应在库存中的数量，从而我们可以搭建起如下的原材料编码序列，

encoding_raw_materials[maximum_rm]＝{1,1,1,,2,2,2,...,n,n,n}；(1)

优选地，本发明所述的基于遗传算法提出的一种新型一维排演下料算法设计，其中步骤s3具体为:算法求解问题由双层循环构成，外层循环从encoding_raw_materials[]每次取出一根待处理原材料送入迭代器，内层循环依次从encoding_product[]从取出一根子零件长度送入迭代器中的累加器，累加器每叠加一根子零件长度后，即产生判断，若新加入的子零件让累加器溢出(超出送入迭代器的原材料长度)，即把最后一次叠加的子零件剔除，若新加入的子零件未让累加器溢出，则保留本次加入结果。每次计入新的子零件进入累加器，通过计算累加器与输入原材料长度的比值(单根利用率)是否达到所设定的阈值，若达到设定第一阈值目标，则本次作为一次成功试验，保留加入叠加器的子零件编码。并且把子零件编码从encoding_product[]剔除，而所输入迭代器的原材料也需要从encoding_raw_materials[]剔除。

倘若未能达到第一阈值目标，可尝试修改迭代器的循环变量步长，进行调整，若调整后的利用率能达到第二阈值或者第三阈值目标，都视为合格试验，重复上述刷新编码序列的工作。如果调整迭代器中循环变量的步长后仍然无法满足条件，可以尝试变异算子进行优化。

优选地，本发明所述的基于遗传算法提出的一种新型一维排演下料算法设计，其中步骤s4具体为:变异算子分为以下三个步骤：(1)自交换。随机选择基因编码的前面的(n-1)个数，与最后面的第n个数交换。(2)计算新产生的基因编码前面的(n-1)个数所计算得到的总长，从而可求得新的余料长度。(3)把新的余料长度代入扫描算子的迭代器中进行运算。若变异后的基因编码组合优于变异之前，称为有利变异，则替代原先的基因型，若变异效果未能优于先前基因编码，则不予处理，重复变异算子，直到寻得合适基因型。如若10次变异都无法寻得合适的基因编码，则视为失败变异。

优选地，本发明所述的基于遗传算法提出的一种新型一维排演下料算法设计，其中步骤s5具体为:继承先前父代的优秀基因编码作为新的子代基因编码，如此可以大大加快算法的运算速度。父代的优秀基因编码可能在部分基因在产品序列编码中不存在，则称为继承失败。父代的优秀基因编码在产品序列编码中能找得到，则即可组合成优良品种。

(三)本发明具有如下有益效果：

算法思想，同时考虑的计算时间和模型计算的复杂程度，能在多约束条件下(包括约束条件不确定的情况下)求解一维下料问题，通过采用扫描算子三挡优化阈值、变异算子以及继承算子的方式，以单根原料的利用率最大化作为设定目标，进行寻求近似最优解，使得在实际生产过程中最大限度的利用了原材料，节约了资源，降低了企业生产成本又保障了实际生产的利用率。

附图说明

图1为本发明的构建遗传编码序列拓扑图。

图2为本发明的变异算子原理图。

图3为本发明的一个系统程序框图。

具体实施方式

下面将结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明的技术方案。

本发明的基于遗传算法提出的一种新型一维排演下料算法设计，把输入的产品根据不同长度，按照降序的方法排序，依据产品的长度和数量，搭建编码序列，利用扫描算子的三档优化阈值(1档、2档、3档)，阈值逐渐递减，是否达到所设定的阈值，若无法达到最小阈值目标，启动变异算子，若变异后的基因编码组合优于变异之前，称为有利变异，则替代原先的基因型，反之，不处理，最后利用继承算子继承上一代中，基因型较为好的品种，从而实现材料利用率最大化的目标，具体包括以下步骤：

s1.排序”把待处理的子零件按照(长度较长的子零件排列在前)的原则进行排序，把排序完成后的新子零件序列的长度信息和数量信息分别存入product_length[]和product_length_number[]相应数组；把待切的原材料序列根据用户意愿，按照优先处理级别高的原材料排列在前的原则，把排列后的新子序列存入长度raw_material_length[]和数量raw_material_number[]。

s2.依据产品的长度和数量，构建遗传编码序列(如图1所示)。根据前文设定原料长度为l1,l2,l3,…，ln-1，ln；其相应数量为：n1,n2,n3,…，nn-1，nn；我们用数字1，2.....n代表对应原材料的编码，根据数组里面出现1的次数来代表1号原材料相应在库存中的数量，从而我们可以搭建起如下的原材料编码序列，

encoding_raw_materials[maximum_rm]＝{1,1,1,,2,2,2,...,n,n,n}；(1)

例如：(1112222233.........)如此的编码序列，意思即是，1号产品有2件、2号产品需要5件，3号产品需要2件等...根据编码序列很容易换算得到对应的产品信息。例如product_length[1]即可取得产品1号的长度等信息(编码序列与产品信息搭建换算关系)通过基因编码原理，成功把多重嵌套循环转化成单次循环。

s3.算法求解问题由双层循环构成，外层循环从encoding_raw_materials[]每次取出一根待处理原材料送入迭代器，内层循环依次从encoding_product[]从取出一根子零件长度送入迭代器中的累加器，累加器每叠加一根子零件长度后，即产生判断，若新加入的子零件让累加器溢出(超出送入迭代器的原材料长度)，即把最后一次叠加的子零件剔除，若新加入的子零件未让累加器溢出，则保留本次加入结果。每次计入新的子零件进入累加器，通过计算累加器与输入原材料长度的比值(单根利用率)是否达到所设定的阈值，若达到设定第一阈值目标，则本次作为一次成功试验，保留加入叠加器的子零件编码。并且把子零件编码从encoding_product[]剔除，而所输入迭代器的原材料也需要从encoding_raw_materials[]剔除。

s4.扫描算子失败后(无法达到最小阈值目标)，启动变异算子(如图2所示)。由于扫描算子，采用顺序累加计算利用率与阈值的关系作为循环终止条件，存在一定局限性。而变异算子，只是需要补充这点局限性，增加基因型的可能类型。例如：结果扫描算子运算得出的编基因型：11112，利用率可以达到93％(低于最小扫描目标，触发变异算子)。

第一步：自交换。随机选择前面的(n-1)个数，与最后面的第n个数交换。例如交换3与5,得到新的基因型11211

第二步：(利用总长)减(交换后前面n-1个数的长度和)等于新的余料长度.。

第三布：新的余长从剩余的编码库中取值带入，根据利用率作为终止判断条件。若变异后的基因型(对应的利用率优于变异前的，称为成功变异)将其基因型替换原来的基因型，给予保留。若变异失败，则保留变异前的。

s5.用继承算子继承先前父代的优秀基因编码作为新的子代基因编码，如此可以大大加快算法的运算速度。父代的优秀基因编码可能在部分基因在产品序列编码中不存在，则称为继承失败。父代的优秀基因编码在产品序列编码中能找得到，则即可组合成优良品种。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。