CN116663660A - 一种基于基因评价遗传算法的一维下料方法 - Google Patents
一种基于基因评价遗传算法的一维下料方法 Download PDFInfo
- Publication number
- CN116663660A CN116663660A CN202310652588.8A CN202310652588A CN116663660A CN 116663660 A CN116663660 A CN 116663660A CN 202310652588 A CN202310652588 A CN 202310652588A CN 116663660 A CN116663660 A CN 116663660A
- Authority
- CN
- China
- Prior art keywords
- gene
- genes
- chromosome
- individual
- selecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 title claims abstract description 16
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 253
- 210000000349 chromosome Anatomy 0.000 claims abstract description 72
- 230000035772 mutation Effects 0.000 claims abstract description 30
- 239000000463 material Substances 0.000 claims abstract description 21
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 17
- 239000010959 steel Substances 0.000 claims abstract description 17
- 239000003550 marker Substances 0.000 claims description 72
- 239000002994 raw material Substances 0.000 claims description 33
- 230000010076 replication Effects 0.000 claims description 30
- 102000004169 proteins and genes Human genes 0.000 claims description 24
- 101150076489 B gene Proteins 0.000 claims description 6
- 101150084750 1 gene Proteins 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003362 replicative effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101150096316 5 gene Proteins 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Genetics & Genomics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明为一种基于基因评价遗传算法的一维下料方法，通过将基因材料随机组合，可以直观地了解到每个基因的构成，同时也知道每根钢筋如何进行切割，在解码上花销的时间也就降低了，通过对染色体中的每一个基因进行评分，进而挑选出优秀的基因进行变异，最终更容易更快地得到最优解；利用新的变异方式，使得对个体的评估时间降低，加快了算法的收敛速度。
Description
技术领域
本方法涉及一维下料组合优化领域，更具体地涉及遗传算法在一维下料问题领域的研究。
背景技术
随着中国的工业化和城市化的不断推进，越来越多的领域需要钢铁的支撑，特别是钢筋的使用与日俱增。钢筋优化断料是指在满足结构设计要求的前提下，通过对钢筋长度进行合理的切割，尽量减少钢筋的浪费，提高钢筋利用率的过程。这里要特别说明，钢筋优化断料属于一维下料。传统的钢筋优化断料方法是人工进行计算，根据设计图纸上的长度要求，手工计算出每根钢筋的长度，再进行切割。这种方法的缺点是效率低、易出错、耗费时间和人力成本较高，而且不能保证最优解。现代一维下料方法利用计算机技术和优化算法，通过对钢筋长度、材质、规格等因素进行建模和计算，从而得出最优的断料方案，减少钢筋的浪费。
近几十年来，针对一维下料问题，国内在1997年提出用遗传算法求解一维下料问题，之后提出混合遗传算法、改进自适应遗传算法。其中魏凉良等人的一维下料问题的改进自适应遗传算法引入降序最优适应策略，提高了算法的求解精度，缺点是降序最优适应策略使得对每个个体的评估时间大大增加。之后国内学者祝胜兰等人在一维下料问题的优化算法研究中，证明遗传算法适用于大规模情形，但缺点是在基因变异方面有所不足。最近几年李斌、彭瑶瑶等学者发表的求解一维下料问题的改进混合遗传算法、基于扩张-收缩机制的遗传算法求解一维下料问题等文献，其方法使得种群样本更加丰富，容易求得最优解，但也增大了对计算机内存资源的消耗。
发明内容
为了克服现有技术的上述缺陷，本发明提出了一种基于基因评价遗传算法来求解一维下料问题，传统的一维下料遗传算法只注重对染色体进行适应度评价，本发明通过对染色体中的每一个基因进行评分，进而挑选出优秀的基因进行变异，从而解决上述背景技术中存在的缺点。
本发明采用的技术方案为：
一种基于基因评价遗传算法的一维下料方法，所述下料方法包括以下步骤：
S1、输入原材料长度Len、需要的钢筋零件长度l1,l2,···,ls、数量de1,de2,···,des、迭代轮数R、交叉概率pc、变异概率pm、收敛速率c，种群规模n，其中零件长度和数量一一对应，称可以使用的钢筋零件长度和数量信息为基因材料,以零件长度作为基因中的元素，de1,de2,···,des的值均小于等于Len，s为零件长度的种类数；
S2、根据S1中的基因材料对种群进行初始化操作，并进行随机组合编码，具体过程是：
S21、d1,d2,···,ds表示不同长度的零件实时数量，初始时令d1,d2,···,ds等于步骤S1输入的de1,de2,···,des；L表示原材料剩余长度，初始时令L等于Len；
S22、判断出d1,d2,···,ds中哪些值大于0；
S23、判断出l1,l2,···,ls中哪些值小于等于L；
S24、挑选出同时满足步骤S22和步骤S23的基因材料；
S25、从步骤S24得到的结果中随机挑选一个lr，将其所对应的dr减1并且更新原材料剩余长度L，即在原材料剩余长度L中减去所挑选的一个零件的长度；
S26、紧接着重复执行S22-S25，直至原材料剩余长度L小于d1,d2,···,ds中不为0的l1,l2,···,ls中的最小值或者d1,d2,···,ds都等于0，记录此时随机挑选出的零件长度，分别记为lx,ly,···,lz；
S27、将挑选出的lx,ly,···,lz与稳定标志位和复制标志位三部分共同组合成为个体染色体的一个基因，两个标志位在基因刚被组合起来的时候均置为False，两个标志位在基因被拆解后消失，但基因中的元素不会消失；
S28、选取多根原材料，重复执行S22-S27，直至d1,d2,···,ds都等于0，得到的众多基因组合成为个体染色体，实现随机组合编码；
S29、执行n次S21-S28，完成种群的初始化，其中n为种群规模；
S3、依交叉概率pc进行交叉操作；
S4、对种群中每个个体染色体的每个基因进行评分：找到个体中所有稳定标志位为False的基因，将每个稳定标志位为False的基因中的所有元素相加求和为suml，suml就是基因评分，选择出基因评分最大值的基因进行变异操作，选择个体染色体中基因评分最小值，利用基因评分最小值计算个体的适应度值，适应度函数f为：
f(k,minsuml)＝(k-1)*Len+minsuml
其中：k为个体染色体中基因的个数，minsuml为个体染色体中最小的suml，Len为原材料长度；
S5、若达到进化条件，则输出最优解，若没有达到进化条件，则根据适应度值按选择概率选择需要进行下一轮迭代的个体，适应度值越小被选择的概率越大。
进一步地，所述进化条件为：是否达到了迭代次数R或者种群中所有个体染色体的所有基因的稳定标志位和复制标志位都置为True。
进一步地，所述步骤S3包括以下分步骤：
S31、随机生成一个0-1的小数，如果随机生成的小数小于交叉概率pc，则执行S32、S33，如果大于等于pc，则什么都不做；
S32、从种群中任意挑选两个个体；
S33、从两个个体中分别任意挑选一个稳定标志位为False的基因进行交叉操作；
其中交叉操作为：设A染色体要得到B染色体的b基因，B染色体要得到A染色体的a基因，则判断A染色体里所有稳定标志位为False的基因和a基因拆解开来能否组成一个交叉过来的b基因，如果能，则在小范围内拆解那些A染色体里可以组成b基因的基因，如果已拆解的基因能组成B染色体中的b基因，则不继续拆解A染色体；之后组合一个b基因且令b基因的稳定标志位和复制标志位为False，拆解下的剩余基因材料按照步骤S22至步骤S28进行组合直至使用完拆解下的基因材料；如果不能组成一个交叉过来的b基因则什么都不做；同样的，对B染色体执行相同的操作。
进一步地，所述变异操作包括：
获得个体染色体的每个基因评分后，将基因评分进行由大到小排列；选择基因评分最大的基因，如果有多个相同最大的suml值基因，则任选其中一个基因；判断所选择的基因否满足变异条件，如果满足条件，则进行变异操作，否则什么都不做；
其中变异条件为：首先判断当前迭代轮数r是否小于等于R/10,如果是，紧接着判断选中的基因的suml值是否等于Len,如果是，则进行变异操作；如果当前迭代轮数r大于R/10，接着判断选中的基因的suml值是否大于等于L-c*r*(Len/10),如果是，则进行变异操作；其余情况什么都不做；
当前迭代轮数满足变异条件的基因为待变异基因，将待变异基因的稳定标志位和复制标志位都置为True，之后将个体染色体中所有稳定标志位为False的基因拆解,然后从拆解后基因材料中选择与待变异基因中的元素相同的基因材料进行复制并将复制出来的基因的稳定标志位和复制标志位同样置为True，直至不能复制为止，待变异基因是否能被复制主要是看所拆解下来的基因材料是否能够组合成标志位均为True的基因，如果能被组合，则可复制，如果不能被组合，则不可复制；剩余基因材料按照步骤S22至步骤S28进行组合，形成新的稳定标志位和复制标志位都为False的基因，直至使用完拆解下的基因材料。
进一步地，所述根据适应度值按选择概率选择需要进行下一轮迭代的个体的具体过程是：将适应度值由小到大排列，根据排名用指数函数确定选择概率，排名第i的个体染色体的选择概率为pi，其中pi＝m·(1-m)i-1，i＝1,2,···,n，m为小于1的常数，根据选择概率选择个体染色体进行迭代。
所述m＝4/n。
与现有技术相比，本发明的有益效果为：
(1)传统的一维下料遗传算法只注重对染色体进行适应度评价，本发明通过对染色体中的每一个基因进行评分，进而挑选出优秀的基因进行变异，最终更容易更快地得到最优解。
(2)本发明采用随机组合编码方式，改进了传统一维下料遗传算法中的染色体的编码方式，避免了不合法基因的产生。传统的编码方式为：对所有原材料进行编号为同样地，对所有零件进行编号/>随机从/>个数字中选取个数字来构成个体的染色体编码，如(3,5,2,···,3)就为一个个体的染色体编码，表示第1号零件排在第3号原材料上，第2号零件排在第5号原材料上，第3号零件排在第2号原材料上，……，第/>号零件排在第3号原材料上。传统编码方式在解码的时候会造成时间的巨大消耗，例如在钢筋优化断料中需要知道每根钢筋的切割方式，此时需要将染色体解码，而解码的时间复杂度与零件编号/>成正比。在本申请中，通过将基因材料随机组合，可以直观地了解到每个基因的构成，同时也知道每根钢筋如何进行切割，在解码上花销的时间也就降低了。
(3)本发明通过所提出的变异方式，使得对个体的评估时间降低，加快了算法的收敛速度。
附图说明
图1为基于基因评价遗传算法的一维下料方法流程图；
图2为种群染色体示意图，图中省略了稳定标志位和复制标志位；
图3是A染色体交叉示意图，图中省略了稳定标志位和复制标志位；
图4是B染色体交叉示意图，图中省略了稳定标志位和复制标志位；
图5为变异操作示意图，图中省略了稳定标志位和复制标志位；
图6为染色体中的一个基因示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，基于基因评价遗传算法的一维下料方法，包括步骤S1-S8:
S1、输入原材料长度Len、需要的钢筋零件长度l1,l2,···,ls、数量de1,de2,···,des、迭代轮数R、交叉概率pc、变异概率pm、收敛速率c，种群规模n，其中零件长度和数量一一对应，称可以使用的钢筋零件长度和数量信息为基因材料，以零件长度作为基因中的元素，de1,de2,···,des的值均小于等于原材料长度Len(单位cm)，s为零件长度的种类数。
在本发明的一个可选实例中，令Len＝1000、l1＝512、l2＝321、l3＝128、l4＝247、l5＝290、de1＝6、de2＝8、de3＝5、de4＝10、de5＝4、pc＝0.2、pm＝0.2、n＝50、R＝300、c＝0.01。
S2、根据S1中的基因材料对种群进行初始化操作。
在本发明的一个可选实例中，基于步骤S1中的信息进行初始化操作，得到的初始化结果可以用图2表示。
步骤S2包括以下分步骤：
S21、d1,d2,···,ds表示不同长度的零件实时数量，初始时令d1,d2,···,ds等于步骤S1输入的de1,de2,···,des；L表示原材料剩余长度，初始时令L等于Len；
在本发明的一个可选实例中,初始时有6个512、8个321、5个128、10个247、4个290的基因材料。
在本发明的一个可选实例中,初始时令L等于1000。
S22、判断出d1,d2,···,ds中哪些值大于0；
在本发明的一个可选实例中,初始时6、8、5、10、4都大于0。
S23、判断出l1,l2,···,ls中哪些值小于等于L；
在本发明的一个可选实例中,初始时512、321、128、247、290都小于1000。
S24、挑选出同时满足步骤S22和步骤S23的基因材料；
在本发明的一个可选实例中,初始时6个512、8个321、5个128、10个247、4个290的基因材料都被选中。
S25、从步骤S24得到的结果中随机挑选一个lr，将其所对应的dr减1并且更新原材料剩余长度L，即在原材料剩余长度L中减去所挑选的一个零件的长度，更新方式为L＝L-lr；
在本发明的一个可选实例中,初始时选中512，则d1减1变为5，原材料剩余长度L减512变为488。这时基因材料变为5个512、8个321、5个128、10个247、4个290。
S26、紧接着重复执行S22-S25，直至原材料剩余长度L小于d1,d2,···,ds中不为0的l1,l2,···,ls中的最小值或者d1,d2,···,ds都等于0，记录此时随机挑选出的零件长度，分别记为lx,ly,···,lz；
在本发明的一个可选实例中,步骤S22判断5、8、5、10、4都大于0，步骤S23判断321、128、247、290小于488，步骤S24判断8个321、5个128、10个247、4个290的基因材料被选中，步骤S25选中321，则d2减1变为7、原材料剩余长度L减321变为167，这时基因材料变为5个512、7个321、5个128、10个247、4个290。紧接着S22判断5、7、5、10、4都大于0，步骤S23判断128小于167，步骤S24判断5个128的基因材料被选中，步骤S25选中128，则d3减1变为4、原材料剩余长度L减128变为39，这时基因材料变为5个512、7个321、4个128、10个247、4个290。此时原材料剩余长度L的值为39，512、321、128、247、290均大于39，1个基因的lx,ly,lz选择完毕。
这里解释原材料剩余长度L小于d1,d2,···,ds中不为0的l1,l2,···,ls中的最小值的含义。假如此时原材料剩余长度L为250，基因材料为2个512，0个321，0个128，0个247，6个290，则d1,d2,···,ds中不为0的l1,l2,···,ls中的最小值是290，290大于250，挑选基因的lx,ly,···,lz过程结束。
S27、将挑选出的lx,ly,···,lz与稳定标志位和复制标志位三部分共同组合成为个体染色体的一个基因，两个标志位在基因刚被组合起来的时候置为False，两个标志位在基因被拆解后消失，但lx,ly,···,lz等基因材料不会消失，其中x,y,···,z等于1,2,···,s中的值。两个标志位在基因形成的时候产生，在基因拆解的时候消失。基因中lx,ly,···,lz的排序按照随机选取的先后顺序排列。
在本发明的一个可选实例中，512、321、128、值为False的稳定标志位、值为False的复制标志位组合成为1个基因，如图6所示。
S28、选取多根原材料，重复执行S22-S27，直至d1,d2,···,ds都等于0，得到的众多基因组合成为个体的染色体。
在本发明的一个可选实例中，其中一个个体的染色体中有1个247基因，1个512、321基因，1个321、321、247基因，1个321、247、247基因，1个290、128、512基因，1个247、247、247、247基因，1个247、321、128、128基因，1个290、321、290基因，2个321、128、512基因，1个512、247基因，1个512、290基因，这些基因组合成了一个个体的染色体。
S29、执行n次S21-S28，完成种群的初始化，实现随机组合编码，其中n为种群规模。
S3、依交叉概率pc进行交叉操作。
在本发明的一个可选实例中，交叉操作如图3和图4所示。
步骤S3包括以下分步骤：
S31、随机生成一个0-1的小数，如果随机生成的小数小于交叉概率pc，则执行S32、S33，如果大于等于pc，则什么都不做；
在本发明的一个可选实例中,本次随机生成的小数是0.18，决定继续执行步骤S32、S33。
S32、从种群中任意挑选两个个体；
S33、从两个个体中分别任意挑选一个稳定标志位为False的基因进行交叉操作。
其中交叉操作为：设A染色体(图3)要得到B染色体(图4)的b基因，B染色体要得到A染色体的a基因，则判断A染色体里所有稳定标志位为False的基因和a基因拆解开来能否组成一个交叉过来的b基因，如果能，则在小范围内拆解那些可以组成b基因的基因，其余基因不拆解。所述小范围指拆解时可通过依次扫描的方式进行判断，若选择的需要拆解的基因能够组成b基因，则不需要再拆解其他基因，也就是仅在小范围内进行拆解即可。之后组合一个b基因且令b基因的稳定标志位和复制标志位为False，拆解下的剩余基因材料按照步骤S22至步骤S28进行组合直至使用完拆解下的基因材料，如果不能组成一个交叉过来的b基因则什么都不做。同样的，对B染色体执行相同的操作。本申请的操作方式不会产生不合格的基因。
在本发明的一个可选实例中某次迭代轮数时,A染色体里的321、247、247基因与B染色体里的321、321、321基因打算进行交换。此时发现A染色体里的2个321、128、512基因的稳定标志位为True,则这两个基因不进行拆解，其余基因的稳定标志位为False。在小范围内发现A染色体里的321、247、247基因，321、321、247基因可以组合成一个321、321、321基因。因此将A染色体里的基因321、247、247，基因321、321、247拆解，组合成一个交换过来的321、321、321基因，剩余基因材料组合成一个247、247、247基因，这2个基因的稳定标志位和复制标志位设置为False，A染色体里的其他稳定标志位为False的基因不做拆解操作。
发现B染色体所有基因的稳定标志位为False,在小范围内发现基因321、321、321，基因512、247和基因247、247可以组合成一个交换过来的321、247、247基因，因此将这三个基因拆解组合成1个321、247、247基因，1个321、321基因和1个512、247基因，这三个基因的稳定标志位和复制标志位都设置为False,B染色体里的其他稳定标志位为False的基因不做操作。
S4、对种群中每个个体染色体的每个基因进行评分。
步骤S4包括以下分步骤：
S41、选择种群中的一个个体；
S42、找到个体中所有稳定标志位为False的基因；
S43、将步骤S42得到的基因中的元素lx,ly,···,lz值相加得到suml，suml就是基因评分，suml越大，说明该基因越容易变异。步骤S29得到的基因和交叉操作后得到的基因，它们的稳定标志位都为False，都会进行基因评分。
在本发明的一个可选实例中，对基因321、128、512，基因321、321、247，基因247、247、290等基因进行评分，发现基因321、128、512的suml值最大，则选择该基因进行变异。
S44、种群中的每一个个体都执行步骤S42、S43。
S5、按照变异概率pm进行变异操作。
在本发明的一个可选实例中，变异操作如图5所示。
步骤S5包括以下分步骤：
S51、选择种群中的一个个体；
S52、找到个体染色体中所有稳定标志位为False的基因；
S53、将步骤S52得到的基因的suml进行由大到小排列；
S54、选择suml值最大的基因，如果有多个相同最大的suml值基因，则任选其中一个基因；
S55、判断步骤S54得到的基因否满足变异条件，如果满足条件，则进行变异操作，否则什么都不做；
其中变异条件为：首先判断当前迭代轮数r是否小于等于R/10,如果是，紧接着判断选中的基因的suml值是否等于Len,如果是，则进行变异操作，如果当前迭代轮数r大于R/10，接着判断选中的基因的suml值是否大于等于Len-c*r*(Len/10),如果是，则进行变异操作，通常迭代轮数R越大，收敛速率c越小，其余情况什么都不做。
其中变异操作为：将要变异的基因的稳定标志位和复制标志位都置为True，之后将染色体中所有稳定标志位为False的基因拆解,然后从拆解后基因材料中选择与待变异基因中的元素进行复制并将复制出来的基因的稳定标志位和复制标志位同样置为True，直至不能复制为止，剩余基因材料按照步骤S22至步骤S28进行组合，形成新的稳定标志位和复制标志位都为False的基因，直至使用完拆解下的基因材料。
在本发明的一个可选实例中2个247、247、247、247基因的稳定标志位和复制标志位在上一轮中已被变异过了，稳定标志位和复制标志位已置为True，本轮中基因321、128、512经过步骤S54被选中，经过步骤S55发现其满足变异条件。此时将基因321、128、512的稳定标志位和复制标志位设置为True。因此除这3个基因外，将该染色体里的其余基因全部拆解，拆解下来的基因材料有5个512、7个321、4个290、2个247、4个128。待变异基因是否能被复制主要是看所拆解下来的基因材料是否能够组合成待变异基因，如果能被组合，则可复制，如果不能被组合，则不可复制，之后将基因321、128、512按照数量最少的长度进行复制，复制次数为数量最少的长度的数量，可选实施例中复制4次，复制出来的4个321、128、512基因的稳定标志位和复制标志位同样为True，此时基因材料变为1个512、3个321、4个290、2个247、0个128。剩余的基因材料按照条件随机组合成1个512、321基因，1个290、290、247基因，1个321、247、290基因，1个290、321基因，但其组成的基因的稳定标志位和复制标志位都为False。
S56、种群中的每一个个体染色体都执行步骤S52、S53、S54、S55。
S6、对种群中的每个个体进行适应度评定。
在本发明的一个可选实例中，图5的染色体中有5个321、128、512基因，2个247、247、247、247基因，1个512、321基因，1个290、290、247基因，1个321、247、247基因，1个290、321基因，minsuml值为611，该个体染色体中有11个基因，k＝11,适应度值经过计算为10611。
步骤S6包括以下分步骤：
S61、选择种群中的一个个体；
S62、将个体的相关数据代入到适应度函数中，得到适应度值，适应度函数为：f(k,minsuml)＝(k-1)*Len+minsuml，其中：k为个体染色体中基因的个数，minsuml为个体染色体中最小的suml，Len为原材料长度。
S63、种群中的每一个个体都执行步骤S62。
S7、决定是否继续进化，如果决定继续进化，则进行选择操作，之后继续执行S3、S4、S5、S6、S7,否则直接执行S8。
在本发明的一个可选实例中，经过300次迭代后决定放弃进化，输出最优解。
进一步地，步骤S7包括进化条件和选择操作：
其中进化条件为：是否达到了迭代次数R或者种群中所有个体染色体的所有基因的稳定标志位和复制标志位都置为True。
其中选择操作为：将得到的适应度值由小到大排列，根据排名用指数函数确定选择概率，其中pi＝m·(1-m)i-1，i＝1,2,···,n，i表示排名后的第i个个体，pi表示排名第i的个体的选择概率，这里m＝4/n，n为种群规模，根据得到的概率选择个体进行迭代。
S8、输出最优解。
在本发明的一个可选实例中，输出的最优解为1个290、128、290、290基因，1个290、321、128、128、128基因，2个321、321、321基因，1个321、512、128基因，2个247、247、247、247基因，2个512、247基因，3个512基因。
本领域的普通技术人员将会意识到,这里所述的实例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
本发明未述及之处适用于现有技术。
Claims (6)
1.一种基于基因评价遗传算法的一维下料方法，其特征在于，所述下料方法包括以下步骤：
S1、输入原材料长度Len、需要的钢筋零件长度l1,l2,···,ls、数量de1,de2,···,des、迭代轮数R、交叉概率pc、变异概率pm、收敛速率c，种群规模n，其中零件长度和数量一一对应，称可以使用的钢筋零件长度和数量信息为基因材料,以零件长度作为基因中的元素，de1,de2,···,des的值均小于等于Len，s为零件长度的种类数；
S2、根据S1中的基因材料对种群进行初始化操作，并进行随机组合编码，具体过程是：
S21、d1,d2,···,ds表示不同长度的零件实时数量，初始时令d1,d2,···,ds等于步骤S1输入的de1,de2,···,des；L表示原材料剩余长度，初始时令L等于Len；
S22、判断出d1,d2,···,ds中哪些值大于0；
S23、判断出l1,l2,···,ls中哪些值小于等于L；
S24、挑选出同时满足步骤S22和步骤S23的基因材料；
S25、从步骤S24得到的结果中随机挑选一个lr，将其所对应的dr减1并且更新原材料剩余长度L，即在原材料剩余长度L中减去所挑选的一个零件的长度；
S26、紧接着重复执行S22-S25，直至原材料剩余长度L小于d1,d2,···,ds中不为0的l1,l2,···,ls中的最小值或者d1,d2,···,ds都等于0，记录此时随机挑选出的零件长度，分别记为lx,ly,···,lz；
S27、将挑选出的lx,ly,···,lz与稳定标志位和复制标志位三部分共同组合成为个体染色体的一个基因，两个标志位在基因刚被组合起来的时候均置为False，两个标志位在基因被拆解后消失，但基因中的元素不会消失；
S28、选取多根原材料，重复执行S22-S27，直至d1,d2,···,ds都等于0，得到的众多基因组合成为个体染色体，实现随机组合编码；
S29、执行n次S21-S28，完成种群的初始化，其中n为种群规模；
S3、依交叉概率pc进行交叉操作；
S4、对种群中每个个体染色体的每个基因进行评分：找到个体中所有稳定标志位为False的基因，将每个稳定标志位为False的基因中的所有元素相加求和为suml，suml就是基因评分，选择出基因评分最大值的基因进行变异操作，选择个体染色体中基因评分最小值，利用基因评分最小值计算个体的适应度值，适应度函数f为：
f(k,min suml)＝(k-1)*Len+min suml
其中：k为个体染色体中基因的个数，min suml为个体染色体中最小的suml，Len为原材料长度；
S5、若达到进化条件，则输出最优解，若没有达到进化条件，则根据适应度值按选择概率选择需要进行下一轮迭代的个体，适应度值越小被选择的概率越大。
2.根据权利要求1所述的基于基因评价遗传算法的一维下料方法，其特征在于，所述进化条件为：是否达到了迭代次数R或者种群中所有个体染色体的所有基因的稳定标志位和复制标志位都置为True。
3.根据权利要求1所述的基于基因评价遗传算法的一维下料方法，其特征在于，所述步骤S3包括以下分步骤：
S31、随机生成一个0-1的小数，如果随机生成的小数小于交叉概率pc，则执行S32、S33，如果大于等于pc，则什么都不做；
S32、从种群中任意挑选两个个体；
S33、从两个个体中分别任意挑选一个稳定标志位为False的基因进行交叉操作；
其中交叉操作为：设A染色体要得到B染色体的b基因，B染色体要得到A染色体的a基因，则判断A染色体里所有稳定标志位为False的基因和a基因拆解开来能否组成一个交叉过来的b基因，如果能，则在小范围内拆解那些A染色体里可以组成b基因的基因，如果已拆解的基因能组成B染色体中的b基因，则不继续拆解A染色体；之后组合一个b基因且令b基因的稳定标志位和复制标志位为False，拆解下的剩余基因材料按照步骤S22至步骤S28进行组合直至使用完拆解下的基因材料；如果不能组成一个交叉过来的b基因则什么都不做；同样的，对B染色体执行相同的操作。
4.根据权利要求1所述的基于基因评价遗传算法的一维下料方法，其特征在于，所述变异操作包括：
获得个体染色体的每个基因评分后，将基因评分进行由大到小排列；选择基因评分最大的基因，如果有多个相同最大的suml值基因，则任选其中一个基因；判断所选择的基因否满足变异条件，如果满足条件，则进行变异操作，否则什么都不做；
其中变异条件为：首先判断当前迭代轮数r是否小于等于R/10,如果是，紧接着判断选中的基因的suml值是否等于Len,如果是，则进行变异操作；如果当前迭代轮数r大于R/10，接着判断选中的基因的suml值是否大于等于L-c*r*(Len/10),如果是，则进行变异操作；其余情况什么都不做；
当前迭代轮数满足变异条件的基因为待变异基因，将待变异基因的稳定标志位和复制标志位都置为True，之后将个体染色体中所有稳定标志位为False的基因拆解,然后从拆解后基因材料中选择与待变异基因中的元素相同的基因材料进行复制并将复制出来的基因的稳定标志位和复制标志位同样置为True，直至不能复制为止，待变异基因是否能被复制主要是看所拆解下来的基因材料是否能够组合成标志位均为True的基因，如果能被组合，则可复制，如果不能被组合，则不可复制；剩余基因材料按照步骤S22至步骤S28进行组合，形成新的稳定标志位和复制标志位都为False的基因，直至使用完拆解下的基因材料。
5.根据权利要求1所述的基于基因评价遗传算法的一维下料方法，其特征在于，所述根据适应度值按选择概率选择需要进行下一轮迭代的个体的具体过程是：将适应度值由小到大排列，根据排名用指数函数确定选择概率，排名第i的个体染色体的选择概率为pi，其中pi＝m·(1-m)i-1，i＝1,2,···,n，m为小于1的常数，根据选择概率选择个体染色体进行迭代。
6.根据权利要求1所述的基于基因评价遗传算法的一维下料方法，其特征在于，所述m＝4/n。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652588.8A CN116663660A (zh) | 2023-06-05 | 2023-06-05 | 一种基于基因评价遗传算法的一维下料方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652588.8A CN116663660A (zh) | 2023-06-05 | 2023-06-05 | 一种基于基因评价遗传算法的一维下料方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116663660A true CN116663660A (zh) | 2023-08-29 |
Family
ID=87727473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310652588.8A Pending CN116663660A (zh) | 2023-06-05 | 2023-06-05 | 一种基于基因评价遗传算法的一维下料方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663660A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407966A (zh) * | 2023-12-14 | 2024-01-16 | 中国建筑西南设计研究院有限公司 | 融合分布式剪枝和遗传算法的多规格钢筋下料方法及装置 |
-
2023
- 2023-06-05 CN CN202310652588.8A patent/CN116663660A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407966A (zh) * | 2023-12-14 | 2024-01-16 | 中国建筑西南设计研究院有限公司 | 融合分布式剪枝和遗传算法的多规格钢筋下料方法及装置 |
| CN117407966B (zh) * | 2023-12-14 | 2024-02-13 | 中国建筑西南设计研究院有限公司 | 融合分布式剪枝和遗传算法的多规格钢筋下料方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
| Zhu et al. | DNA sequence compression using adaptive particle swarm optimization-based memetic algorithm | |
| Borodovsky et al. | GENMARK: parallel gene recognition for both DNA strands | |
| CN116663660A (zh) | 一种基于基因评价遗传算法的一维下料方法 | |
| CN109448794B (zh) | 一种基于遗传禁忌和贝叶斯网络的上位性位点挖掘方法 | |
| CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
| Yadav et al. | An overview of genetic algorithm and modeling | |
| CN112381343B (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
| CN112580259B (zh) | 基于遗传算法的智能矿山自动配矿方法及*** | |
| CN113779842A (zh) | 一种基于遗传算法的加强筋结构布局优化设计方法 | |
| CN113449930A (zh) | 一种基于bp神经网络的光纤预制棒制备质量预测方法 | |
| US20240211825A1 (en) | Job-shop batch scheduling method based on d3qn and genetic algorithm | |
| CN114266509A (zh) | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 | |
| CN114004341A (zh) | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 | |
| CN107346468A (zh) | 基于案例推理的产品设计方法 | |
| CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
| CN107480469B (zh) | 一种用于在基因序列中快速搜索给定模式的方法 | |
| Zhang et al. | Aligning multiple protein sequence by an improved genetic algorithm | |
| CN113111446A (zh) | 选配方法 | |
| Yoon et al. | RNA secondary structure prediction using context-sensitive hidden Markov models | |
| Chen et al. | Improved Genetic Algorithm with Two‐Level Approximation for Truss Optimization by Using Discrete Shape Variables | |
| Tsai et al. | Novel grey models for the trend forecast of Taiwan waste gas apparatus | |
| CN116705142A (zh) | 基于二进制量子粒子群优化算法与通量平衡分析混合算法的代谢产物优化方法 | |
| CN114398739A (zh) | 风机混凝土-钢混合塔架形状、尺寸协同优化设计方法 | |
| CN116844676A (zh) | 复合材料贴补修复结构的参数优化方法、***及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |