本發(fā)明涉及計算機算法應用設計領域，尤其涉及基于遺傳算法的一種新型一維排演下料算法設計。

背景技術(shù)：

一維排樣下料問題是把棒狀原料切割成若干長度子零件，在滿足實際生產(chǎn)需求的前提下，盡可能提高生產(chǎn)利用率的np難問題。一維下料的問題廣泛的存在于機械、制造、建筑、電力等諸多的實際工程中而受到各行各業(yè)的專家、學者的重視。近幾年，隨著國家大力倡導節(jié)能減排，優(yōu)化資源配置、提高利用合理化、管理的科學化和綜合化，目的是尋求最優(yōu)化生產(chǎn)技術(shù)方案來獲取最大的效益，以期在經(jīng)濟效益和生態(tài)效益尋得一合理的平衡點，以促進國民經(jīng)濟穩(wěn)步健康發(fā)展。因此，尋求一種最優(yōu)化的設計加工方案無疑能節(jié)約生產(chǎn)成本，提高企業(yè)市場競爭力，同時能降低能耗，減少對環(huán)境的傷害。

一維問題作為組合問題中的經(jīng)典問題，從其計算規(guī)模的復雜度上看，其屬于np完全問題，并且其具體求解受限于實際工程條件，因而對該問題的精確求解依賴于其實際的計算規(guī)模和工程約束條件。對于工程實際，一維排樣下料問題，本身具有一定的限制條件，諸如原料種類、原料數(shù)量、產(chǎn)品種類、對應產(chǎn)品種類數(shù)量、具體生產(chǎn)訂單要求等許多約束條件，對具體問題建立數(shù)學模型，尋找可行域內(nèi)存在的最優(yōu)解集，可想而知，該問題的解集十分龐大，并且基本不存在適用于任何情況的算法，對算法的設計提出了很大的要求。目前國內(nèi)外對該問題的研究，都得到一個幾乎相同的結(jié)論。對于小規(guī)模計算模型的一維排樣下料，可通過一定的方法，在有限制可行域空間內(nèi)尋得其全局最優(yōu)解；但是對于大規(guī)模、超大規(guī)模的計算模型，當前尚缺乏一種行之有效的方法求得其全局最優(yōu)解，僅能通過遺傳算法、啟發(fā)式算法等盡可能的尋得其全局近似最優(yōu)解。遺傳算法作為組合問題求解的常用的方法，在一定程度上能解決相當一部分的一維下料問題，但是由于遺傳算法存在參數(shù)配置難、一旦參數(shù)配置偏差會陷入局部最優(yōu)而無法尋得全局最優(yōu)的情況，計算時間冗長等缺點；對于啟發(fā)式算法的優(yōu)點是計算速度快，缺點是其計算效果難以保證。

為克服現(xiàn)有技術(shù)的不足，本發(fā)明提出基于遺傳算法提出的一種新型一維排演下料算法設計，適用于許多需要大量消耗棒料的實際工程。尋找一種最優(yōu)化的設計加工方案無疑能節(jié)約最大的成本開銷，更能為相關企業(yè)帶來直接的經(jīng)濟效應，降低企業(yè)排放指標。

技術(shù)實現(xiàn)要素：

(一)要解決的技術(shù)問題

為了克服現(xiàn)有方法的不足，本發(fā)明公開了基于遺傳算法提出的一種新型一維排演下料算法設計。

(二)技術(shù)方案

為解決上述問題，本發(fā)明提供了基于遺傳算法提出的一種新型一維排演下料算法設計，包括步驟：

s1.把輸入的產(chǎn)品根據(jù)不同長度，按照降序的方法排序，最小編碼為1，依次推之，最后一個編號為最小零件。

s2.依據(jù)產(chǎn)品的長度和數(shù)量，搭建編碼序列，例如：(1112222233.........)如此的編碼序列，意思即是，1號產(chǎn)品有2件、2號產(chǎn)品需要5件，3號產(chǎn)品需要2件等...根據(jù)編碼序列很容易換算得到對應的產(chǎn)品信息。例如product_length[1]即可取得產(chǎn)品1號的長度等信息(編碼序列與產(chǎn)品信息搭建換算關系)通過基因編碼原理，成功把多重嵌套循環(huán)轉(zhuǎn)化成單次循環(huán)。

s3.三檔優(yōu)化閾值(1檔、2檔、3檔)，閾值逐漸遞減，通過單循環(huán)，從基因編碼中取出編碼，加入到累積變量之中，判斷(累積變量/輸入原材料長度)與設定閾值關系，達標break；作為一次成功掃描。

s4.掃描算子失敗后(無法達到最小閾值目標)，啟動變異算子。由于掃描算子，采用順序累加計算利用率與閾值的關系作為循環(huán)終止條件，存在一定局限性。而變異算子，只是需要補充這點局限性，增加基因型的可能類型。例如：結(jié)果掃描算子運算得出的編基因型：11112，利用率可以達到93％(低于最小掃描目標，觸發(fā)變異算子)。

第一步：自交換。隨機選擇前面的(n-1)個數(shù)，與最后面的第n個數(shù)交換。例如交換3和5,得到新的基因型11211

第二步：(利用總長)減(交換后前面n-1個數(shù)的長度和)等于新的余料長度.。

第三布：新的余長從剩余的編碼庫中取值帶入，根據(jù)利用率作為終止判斷條件。若變異后的基因型(對應的利用率優(yōu)于變異前的，稱為成功變異)將其基因型替換原來的基因型，給予保留。若變異失敗，則保留變異前的。

s5.用繼承算子繼承先前父代的優(yōu)秀基因編碼作為新的子代基因編碼，如此可以大大加快算法的運算速度。父代的優(yōu)秀基因編碼可能在部分基因在產(chǎn)品序列編碼中不存在，則稱為繼承失敗。父代的優(yōu)秀基因編碼在產(chǎn)品序列編碼中能找得到，則即可組合成優(yōu)良品種。

優(yōu)選地，本發(fā)明所述的基于遺傳算法提出的一種新型一維排演下料算法設計，其中步驟s1具體為:把待處理的子零件按照(長度較長的子零件排列在前)的原則進行排序，把排序完成后的新子零件序列的長度信息和數(shù)量信息分別存入product_length[]和product_length_number[]相應數(shù)組；把待切的原材料序列根據(jù)用戶意愿，按照優(yōu)先處理級別高的原材料排列在前的原則，把排列后的新子序列存入長度raw_material_length[]和數(shù)量raw_material_number[]。

優(yōu)選地，本發(fā)明所述的基于遺傳算法提出的一種新型一維排演下料算法設計，其中步驟s2具體為:構(gòu)建遺傳編碼序列(如圖1所示)。根據(jù)前文設定原料長度為l1,l2,l3,…，ln-1，ln；其相應數(shù)量為：n1,n2,n3,…，nn-1，nn；我們用數(shù)字1，2.....n代表對應原材料的編碼，根據(jù)數(shù)組里面出現(xiàn)1的次數(shù)來代表1號原材料相應在庫存中的數(shù)量，從而我們可以搭建起如下的原材料編碼序列，

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

優(yōu)選地，本發(fā)明所述的基于遺傳算法提出的一種新型一維排演下料算法設計，其中步驟s3具體為:算法求解問題由雙層循環(huán)構(gòu)成，外層循環(huán)從encoding_raw_materials[]每次取出一根待處理原材料送入迭代器，內(nèi)層循環(huán)依次從encoding_product[]從取出一根子零件長度送入迭代器中的累加器，累加器每疊加一根子零件長度后，即產(chǎn)生判斷，若新加入的子零件讓累加器溢出(超出送入迭代器的原材料長度)，即把最后一次疊加的子零件剔除，若新加入的子零件未讓累加器溢出，則保留本次加入結(jié)果。每次計入新的子零件進入累加器，通過計算累加器與輸入原材料長度的比值(單根利用率)是否達到所設定的閾值，若達到設定第一閾值目標，則本次作為一次成功試驗，保留加入疊加器的子零件編碼。并且把子零件編碼從encoding_product[]剔除，而所輸入迭代器的原材料也需要從encoding_raw_materials[]剔除。

倘若未能達到第一閾值目標，可嘗試修改迭代器的循環(huán)變量步長，進行調(diào)整，若調(diào)整后的利用率能達到第二閾值或者第三閾值目標，都視為合格試驗，重復上述刷新編碼序列的工作。如果調(diào)整迭代器中循環(huán)變量的步長后仍然無法滿足條件，可以嘗試變異算子進行優(yōu)化。

優(yōu)選地，本發(fā)明所述的基于遺傳算法提出的一種新型一維排演下料算法設計，其中步驟s4具體為:變異算子分為以下三個步驟：(1)自交換。隨機選擇基因編碼的前面的(n-1)個數(shù)，與最后面的第n個數(shù)交換。(2)計算新產(chǎn)生的基因編碼前面的(n-1)個數(shù)所計算得到的總長，從而可求得新的余料長度。(3)把新的余料長度代入掃描算子的迭代器中進行運算。若變異后的基因編碼組合優(yōu)于變異之前，稱為有利變異，則替代原先的基因型，若變異效果未能優(yōu)于先前基因編碼，則不予處理，重復變異算子，直到尋得合適基因型。如若10次變異都無法尋得合適的基因編碼，則視為失敗變異。

優(yōu)選地，本發(fā)明所述的基于遺傳算法提出的一種新型一維排演下料算法設計，其中步驟s5具體為:繼承先前父代的優(yōu)秀基因編碼作為新的子代基因編碼，如此可以大大加快算法的運算速度。父代的優(yōu)秀基因編碼可能在部分基因在產(chǎn)品序列編碼中不存在，則稱為繼承失敗。父代的優(yōu)秀基因編碼在產(chǎn)品序列編碼中能找得到，則即可組合成優(yōu)良品種。

(三)本發(fā)明具有如下有益效果：

算法思想，同時考慮的計算時間和模型計算的復雜程度，能在多約束條件下(包括約束條件不確定的情況下)求解一維下料問題，通過采用掃描算子三擋優(yōu)化閾值、變異算子以及繼承算子的方式，以單根原料的利用率最大化作為設定目標，進行尋求近似最優(yōu)解，使得在實際生產(chǎn)過程中最大限度的利用了原材料，節(jié)約了資源，降低了企業(yè)生產(chǎn)成本又保障了實際生產(chǎn)的利用率。

附圖說明

圖1為本發(fā)明的構(gòu)建遺傳編碼序列拓撲圖。

圖2為本發(fā)明的變異算子原理圖。

圖3為本發(fā)明的一個系統(tǒng)程序框圖。

具體實施方式

下面將結(jié)合說明書附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明的技術(shù)方案。

本發(fā)明的基于遺傳算法提出的一種新型一維排演下料算法設計，把輸入的產(chǎn)品根據(jù)不同長度，按照降序的方法排序，依據(jù)產(chǎn)品的長度和數(shù)量，搭建編碼序列，利用掃描算子的三檔優(yōu)化閾值(1檔、2檔、3檔)，閾值逐漸遞減，是否達到所設定的閾值，若無法達到最小閾值目標，啟動變異算子，若變異后的基因編碼組合優(yōu)于變異之前，稱為有利變異，則替代原先的基因型，反之，不處理，最后利用繼承算子繼承上一代中，基因型較為好的品種，從而實現(xiàn)材料利用率最大化的目標，具體包括以下步驟：

s1.排序”把待處理的子零件按照(長度較長的子零件排列在前)的原則進行排序，把排序完成后的新子零件序列的長度信息和數(shù)量信息分別存入product_length[]和product_length_number[]相應數(shù)組；把待切的原材料序列根據(jù)用戶意愿，按照優(yōu)先處理級別高的原材料排列在前的原則，把排列后的新子序列存入長度raw_material_length[]和數(shù)量raw_material_number[]。

s2.依據(jù)產(chǎn)品的長度和數(shù)量，構(gòu)建遺傳編碼序列(如圖1所示)。根據(jù)前文設定原料長度為l1,l2,l3,…，ln-1，ln；其相應數(shù)量為：n1,n2,n3,…，nn-1，nn；我們用數(shù)字1，2.....n代表對應原材料的編碼，根據(jù)數(shù)組里面出現(xiàn)1的次數(shù)來代表1號原材料相應在庫存中的數(shù)量，從而我們可以搭建起如下的原材料編碼序列，

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

例如：(1112222233.........)如此的編碼序列，意思即是，1號產(chǎn)品有2件、2號產(chǎn)品需要5件，3號產(chǎn)品需要2件等...根據(jù)編碼序列很容易換算得到對應的產(chǎn)品信息。例如product_length[1]即可取得產(chǎn)品1號的長度等信息(編碼序列與產(chǎn)品信息搭建換算關系)通過基因編碼原理，成功把多重嵌套循環(huán)轉(zhuǎn)化成單次循環(huán)。

s3.算法求解問題由雙層循環(huán)構(gòu)成，外層循環(huán)從encoding_raw_materials[]每次取出一根待處理原材料送入迭代器，內(nèi)層循環(huán)依次從encoding_product[]從取出一根子零件長度送入迭代器中的累加器，累加器每疊加一根子零件長度后，即產(chǎn)生判斷，若新加入的子零件讓累加器溢出(超出送入迭代器的原材料長度)，即把最后一次疊加的子零件剔除，若新加入的子零件未讓累加器溢出，則保留本次加入結(jié)果。每次計入新的子零件進入累加器，通過計算累加器與輸入原材料長度的比值(單根利用率)是否達到所設定的閾值，若達到設定第一閾值目標，則本次作為一次成功試驗，保留加入疊加器的子零件編碼。并且把子零件編碼從encoding_product[]剔除，而所輸入迭代器的原材料也需要從encoding_raw_materials[]剔除。

s4.掃描算子失敗后(無法達到最小閾值目標)，啟動變異算子(如圖2所示)。由于掃描算子，采用順序累加計算利用率與閾值的關系作為循環(huán)終止條件，存在一定局限性。而變異算子，只是需要補充這點局限性，增加基因型的可能類型。例如：結(jié)果掃描算子運算得出的編基因型：11112，利用率可以達到93％(低于最小掃描目標，觸發(fā)變異算子)。

第一步：自交換。隨機選擇前面的(n-1)個數(shù)，與最后面的第n個數(shù)交換。例如交換3與5,得到新的基因型11211

第二步：(利用總長)減(交換后前面n-1個數(shù)的長度和)等于新的余料長度.。

第三布：新的余長從剩余的編碼庫中取值帶入，根據(jù)利用率作為終止判斷條件。若變異后的基因型(對應的利用率優(yōu)于變異前的，稱為成功變異)將其基因型替換原來的基因型，給予保留。若變異失敗，則保留變異前的。

s5.用繼承算子繼承先前父代的優(yōu)秀基因編碼作為新的子代基因編碼，如此可以大大加快算法的運算速度。父代的優(yōu)秀基因編碼可能在部分基因在產(chǎn)品序列編碼中不存在，則稱為繼承失敗。父代的優(yōu)秀基因編碼在產(chǎn)品序列編碼中能找得到，則即可組合成優(yōu)良品種。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。