CN118153664A - 一种启发式强化学习搜索树排版方法 - Google Patents
一种启发式强化学习搜索树排版方法 Download PDFInfo
- Publication number
- CN118153664A CN118153664A CN202410571656.2A CN202410571656A CN118153664A CN 118153664 A CN118153664 A CN 118153664A CN 202410571656 A CN202410571656 A CN 202410571656A CN 118153664 A CN118153664 A CN 118153664A
- Authority
- CN
- China
- Prior art keywords
- node
- heuristic
- reinforcement learning
- search tree
- nodes
- 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
- 230000002787 reinforcement Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000013585 weight reducing agent Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种启发式强化学习搜索树排版方法,包括如下子步骤:S1:获取排样信息;S2:根据排样信息进行初始化加载和初始化排列,并进行初步减枝;S3:初始化根节点的节点信息,设定搜索树扩展启发规则;S4:设定启发式强化学习目标,并根据启发式强化学习目标对节点进行计算;S5:构建搜索树,根据搜索树扩展启发规则探索和利用,获取最佳结果;S6:输出最佳结果。
Description
技术领域
本发明涉及搜索树排版技术领域,特别涉及一种启发式强化学习搜索树排版方法。
背景技术
排样问题(nesting problem)又称为下料问题(cutting and stock problems)或填充问题(packing problem),其目标是在材料切割过程中寻找一个较高的材料利用率。排样问题属于经典的np-hard问题,其时间复杂度随着问题规模的增加迅速上升,难以在合理时间内精确求解大规模实例。
从一整块固定宽幅的平面材料中,切割出多个样式不同的子块(简单任务:几个不同尺寸的矩形木块;复杂任务:除开基础形状,还需要切割出不规则形状的异形块),且满足约束条件:形状之间保持一定的间距,并且最后剩下的区域(浪费比例)越小越好。
传统方法例如矩形排样算法、遗传算法等设计分割方案的时候,只能应对简单的场景,比如只能切割出形状较为一致的矩形子块,相较于矩形排样问题,异形件排样问题的突出特点是裁片的边界轮廓复杂,计算过程中需要复杂的几何运算,其算法复杂度将进一步上升,是学术界和工业界公认的难以求解的问题。
现有的常见技术为:
1、输入排样信息(不规则形状、可旋转角度、间距、样板宽幅);
2、对排样信息进行预处理,根据面积大小进行初始化排列;
3、通过遗传算法,对排列和旋转角度进行随机变异,再对不同排列进行随机交叉组合,得到新排列组合;
4、根据新排列组合,经过NFP求解得到当前排列的最佳排样结果。
然而基于遗传算法的排样结果的好坏,依赖于预设的初始排列顺序和随机性质的变异组合,充满不确定性,因此需要继续改进。
发明内容
本发明的目的在于提供一种启发式强化学习搜索树排版方法,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:
本申请公开了一种启发式强化学习搜索树排版方法,包括如下子步骤:
S1:获取排样信息;
S2:根据排样信息进行初始化加载和初始化排列,并进行初步减枝;
S3:初始化根节点的节点信息,设定搜索树扩展启发规则;
S4:设定启发式强化学习目标,并根据启发式强化学习目标对节点进行计算;
S5:构建搜索树,根据搜索树扩展启发规则探索和利用,获取最佳结果;
S6:输出最佳结果。
作为优选,所述S1包括如下内容:排样信息包括:形状信息、旋转角度、间距、样板宽幅、最佳长度。
作为优选,所述S2包括如下子步骤:
S21:根据排样信息生成样板空间;
S22:对形状信息进行简化,加速几何计算;
S23:根据形状信息和旋转角度找出相同数据,进行初步减枝;
S24:对形状信息进行膨胀处理,实现排样后固定间距;
S25:根据几何数据参数,进行初始化排列。
作为优选,所述S3包括:
S31:根据本层最佳节点向下扩展;
S32:根据判断全局层是否存在利用率达标节点进行层级跳跃;
S33:根据同层是否存在较好结果进行同层扩展,如不存在较好结果,同层优先扩展若干个节点后再向下扩展。
作为优选,所述S4包括:所述启发式强化学习目标的设定包括如下子步骤:
S41:判断该节点是否包含完整链路,优先扩展不包含完整链路的节点;
S42:对比该节点链路的当前结果和已知组合的最佳结果计算权重;
S43:对比该节点链路的当前利用率和已知组合最佳利用率计算权重;
S44:判断是否存在该节点的兄弟节点,并进行节点相似性;若兄弟节点相似度高,则根据S41~S43的三个权重选取一个最佳节点,并对其他兄弟节点进行降权;若不存在,则将自己设为默认权重。
其中:兄弟节点包括:同一形状的不同位置和旋转角度;
S45:获取所有权重的函数加权。
作为优选,所述S5包括如下子步骤:
S51:创建根节点;
S52:根据扩展路径选择一种扩展节点方案;
S53:根据选择的扩展节点方案,计算所属层每个可选节点的权重。设置强化学习探索率,并生成一个随机数。如果该随机数在强化学习探索率的范围内,则选择权重最优的节点进行向下扩展;反之,则进行非最优探索,在所属层随机选择一个节点;
S54:根据S53中新扩展的节点,通过NFP算法进行排样获取排样结果,并***节点信息中;
S55:重复循环操作,直至获取最佳结果后进入S6。
作为优选,所述S54包括如下子步骤:
S541:根据节点信息以及该节点的父节点获取节点链路;
S542:根据S23初始化排序顺序剔除已经列入的节点,并剔除该节点的祖先节点,进行减枝,随后选择一个节点;
S543:根据节点链路的链路排序继续求解获取该链路下的排样结果;
S544:将排样结果***S542中选择的节点的节点信息中。
作为优选,所述S543的排样结果包括如下子步骤:
S5431:获取当前节点链路排样后的最终长度;
S5432:获取当前节点链路排样后的利用率;
S5433:判断当前节点链路是否完整,若完整,则判断是否更新全局最佳结果;
S5434:根据当前链路的节点序号记录序号组合数据;
S5435:判断兄弟节点的旋转和位置是否存在,并进行节点相似性判断,随后对其他兄弟节点进行循环降权操作,并进行降权赋值。
作为优选,所述S55的循环策略包括如下内容:
A1:当搜索到搜索树的最大层数时,下一次搜索从第0层开始;
A2:当最佳节点的扩展列表为空,下一次搜索从第0层开始;
A3:当最佳节点为空时,下一次搜索从下一层开始;
A4:判断当前节点的减枝策略是否为真,若是,则该节点不再允许扩展,并选择次优节点。
作为优选,所述A4的减枝策略包括如下内容:
B1:当前节点链路的最终长度大于最佳长度;
B2:兄弟节点的旋转角度相同;
B3:兄弟节点的长度数据相同;
B4:同组合排列的凸包数据一致;
若满足上述条件,则判断减枝策略为真。
本申请公开了一种启发式强化学习搜索树排版装置,其特征在于:包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现上述的一种启发式强化学习搜索树排版方法。
本申请公开了一种计算机可读存储介质,其特征在于:其上存储有程序,该程序被处理器执行时,实现上述的一种启发式强化学习搜索树排版方法。
本发明的有益效果:
(1)、本发明在排样形状个数少时可以很快的找到全局最佳排样结果、排样个数适中时也能几乎找到全局最佳结果、在排样个数多时也有很好的表现得出很好的排样结果,对比之前遗传算法和普通排列本发明减少了计算的时间。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1是本发明一种启发式强化学习搜索树排版方法的步骤流程图;
图2是本发明的实施例的搜索树的结构图;
图3是本发明的实施例的搜索树的节点信息图;
图4是本发明的实施例的搜索树的全局信息图;
图5是本发明的减枝示意图;
图6是本发明的装置示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
参阅图1~5,本发明实施例提供一种启发式强化学习搜索树排版方法,包括如下内容:
1.输入排样信息:形状信息、旋转角度、间距、样板宽幅、最佳长度
2.加载排样信息:
1.1根据宽幅生成样板空间;
1.2保证SVG形状差异度不超过1%的情况下,尽可能压缩SVG点数,简化形状数据;
1.3根据形状数据和旋转角度找出相同数据,初步计算扩展时可能重复的节点,减少重复排版次数;
1.4对形状数据进行膨胀处理实现排样后固定间距;
1.5根据几何数据参数进行初始化排列,排序方法包括但不限于
其中:排序方法包括:
1.5.1长度排序;
1.5.2面积排序;
1.5.3长宽比排序;
1.5.4多种排序混合排序:F1(长度排序序号,面积排序序号,长宽比排序序号),F1为任意函数,常用算术加权。
3设定搜索树的扩展规则:
3.1若无特殊逻辑(跳层,减枝,同层扩展,回到首层),选取当前的下一层为扩展层。
3.2根据全局层是否存在利用率达标节点(比如利用率达到95%)进行层级跳跃,若全局存在一定的高利用率数据以一定概率直接跳到该层继续扩展(比如存在100%利用率的情况)。
3.3根据同层是否存在较好结果进行同层扩展,如不存在较好结果,同层优先扩展N个节点后再向下扩展。
4.排列搜索:
4.1构建搜索树及初始化根节点信息:
4.1.1搜索树结构:层级结构,第0层开始为root节点,最大层数为形状个数
4.1.2节点信息:节点名称、节点默认权重系数(通常设置为1)、节点可扩展列表、默认全局排序最佳结果及利用率、父节点;
4.2 根据搜索树结构设定的扩展规则进行层级选择:
4.2.1计算当前层每个可选节点的权重,选择最佳节点,权重w = F2(a,b,c,d) ,函数F2通常选择乘法算法。
4.2.1.1权重a:该节点是否包含完整链路,包含则权重为F3(l,l_best),其中l表示包含当前节点下完成排版时最佳排版长度,l_best表示全局最优排版长度。不包含则权重为默认权重,默认权重通常大于1,F3函数计算通常小于1,该方案优先扩展同情况下不包含完整链路的节点。
4.2.1.2权重b:对比该节点链路当前结果和该节点链路已知组合最佳结果计算权重,F4(ls,ls_comb_best),其中ls当前层排列排版长度(只计算到该层使用的节点数,不一定结束排版),ls_comb_best为当前层组合最佳排版长度。
4.2.1.3权重c:对比该节点链路当前利用率和该节点已知组合最佳利用率计算权重F5(r,r_comb_best),其中r为当前节点(包含祖先节点的集合)排列的利用率,r_comb_best为当前节点组合(包含祖先节点的集合)排列最佳利用率。
4.2.1.4权重d:节点初始化权重系数,该系数包含兄弟旋转节点是否存在d1,兄弟位置节点是否存在d2,d = F6(d1,d2)。
4.3生成一个随机数,如果数据小于强化学习探索率,根据选择的最佳节点,扩展下一层节点,否则随机选择一个节点进行扩展。
4.3.1根据节点可扩展列表的初始化排序生成新的节点。
4.3.2初始化新节点信息:节点名称、形状序号、旋转信息、节点默认权重系数、节点可扩展列表、父节点。
4.4根据新扩展节点,通过NFP求解得出排样结果***节点信息:
4.4.1根据节点信息和父节点获取节点链路;
4.4.2根据链路排序进行NFP求解得出该链路下排样结果并***节点信息中:
4.4.2.1当前节点链路排样后的长度,符号为ls;
4.4.2.2当前节点链路排样后的利用率,符号为r;
4.4.2.3判断当前节点链路是否完整,如若完整则链路长度为l且判断是否更新全局最佳结果,符号为l_best,当前层最佳利用率和组合结果,符号为rs_best,ls_best;
4.4.2.4根据当前链路节点序号记录序号组合利用率和长度,符号为r_comb_best,ls_comb_best;
4.4.2.5判断兄弟节点的旋转和位置是否存在,并进行节点唯一性选择(方案包括但不限于选择最佳长度),并对其他兄弟节点进行循环降权操作,并进行降权赋值符号为d1,d2。
5.重复循环(步骤4)操作
5.1循环搜索过程:
5.1.1当搜索到最大层数时,下一次搜索重新从第0层开始;
5.1.2最佳节点扩展列表为空时,下一次搜索重新从第0层开始;
5.1.3当最佳节点为空时,去下一层进行搜索;
5.1.4每次去下一层时,根据扩展策略检查是否同层扩展或跳级扩展;
5.1.5判断当前节点的减枝策略是否为真S(s1,s2,s3...),其中,减枝策略s包括:
5.1.5.1当前长度大于最佳长度;
5.1.5.2兄弟节点同旋转角度;
5.1.5.3兄弟节点长度数据相同;
5.1.5.4同组合排列的凸包数据一致。
本发明一种启发式强化学习搜索树排版装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,为本发明一种启发式强化学习搜索树排版装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的一种启发式强化学习搜索树排版装置。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种启发式强化学习搜索树排版方法,其特征在于:包括如下步骤:
S1:***获取用户输入的排样信息;
S2:根据排样信息进行初始化加载和初始化排列,并进行初步减枝;
S3:初始化根节点的节点信息,设定搜索树扩展启发规则;
S4:设定启发式强化学习目标,并根据启发式强化学习目标对节点进行计算;
S5:构建搜索树,根据搜索树扩展启发规则探索和利用,获取最佳结果;
S6:输出最佳结果。
2.如权利要求1所述的一种启发式强化学习搜索树排版方法,其特征在于:所述排样信息包括:形状信息、旋转角度、间距、样板宽幅、最佳长度。
3.如权利要求2所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S2包括如下子步骤:
S21:根据排样信息生成样板空间;
S22:对形状信息进行简化,加速几何计算;
S23:根据形状信息和旋转角度找出相同数据,进行初步减枝;
S24:对形状信息进行膨胀处理,实现排样后固定间距;
S25:根据几何数据参数,进行初始化排列。
4.如权利要求1所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S3包括:
S31:根据本层最佳节点向下扩展;
S32:根据判断全局层是否存在利用率达标节点进行层级跳跃;
S33:根据同层是否存在更好结果进行同层扩展,如不存在更好结果,同层优先扩展若干个节点后再向下扩展。
5.如权利要求1所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S4包括:所述启发式强化学习目标的设定包括如下子步骤:
S41:判断该节点是否包含完整链路,优先扩展不包含完整链路的节点;
S42:对比该节点链路的当前结果和已知组合的最佳结果计算权重;
S43:对比该节点链路的当前利用率和已知组合最佳利用率计算权重;
S44:判断是否存在该节点的兄弟节点,并进行节点相似性判定;若兄弟节点相似度高,则根据S41~S43的三个权重选取一个最佳节点,并对其他兄弟节点进行降权;若不存在,则将该节点设为默认权重;
所述兄弟节点包括:同一形状的不同位置和旋转角度;
S45:获取所有权重的函数加权。
6.如权利要求1所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S5包括如下子步骤:
S51:创建根节点;
S52:根据扩展路径选择一种扩展节点方案;
S53:根据选择的扩展节点方案,计算所属层每个可选节点的权重;设置强化学习探索率,并生成一个随机数;如果该随机数在强化学习探索率的范围内,则选择权重最优的节点进行向下扩展;反之,则进行非最优探索,在所属层随机选择一个节点;
S54:根据S53中新扩展的节点,通过NFP算法进行排样获取排样结果,并***节点信息中;
S55:重复循环操作,直至获取最佳结果后进入S6。
7.如权利要求6所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S54包括如下子步骤:
S541:根据节点信息以及该节点的父节点获取节点链路;
S542:根据S23初始化排序顺序剔除已经列入的节点,并剔除该节点的祖先节点,进行减枝,随后选择一个节点;
S543:根据节点链路的链路排序继续求解获取该节点链路下的排样结果;
S544:将排样结果***S542中选择的节点的节点信息中。
8.如权利要求7所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S543的排样结果包括如下子步骤:
S5431:获取当前节点链路排样后的最终长度;
S5432:获取当前节点链路排样后的利用率;
S5433:判断当前节点链路是否完整,若完整,则判断是否更新全局最佳结果;
S5434:根据当前链路的节点序号记录序号组合数据;
S5435:判断兄弟节点的旋转和位置是否存在,并进行节点相似性判断,随后对其他兄弟节点进行循环降权操作,并进行降权赋值。
9.如权利要求6所述的一种启发式强化学习搜索树排版方法,其特征在于:所述S55的循环策略包括如下内容:
A1:当搜索到搜索树的最大层数时,下一次搜索从第0层开始;
A2:当最佳节点的扩展列表为空,下一次搜索从第0层开始;
A3:当最佳节点为空时,下一次搜索从下一层开始;
A4:判断当前节点的减枝策略是否为真,若是,则该节点不再允许扩展,并选择次优节点。
10.如权利要求9所述的一种启发式强化学习搜索树排版方法,其特征在于:所述A4的减枝策略包括如下内容:
B1:当前节点链路的最终长度大于最佳长度;
B2:兄弟节点的旋转角度相同;
B3:兄弟节点的长度数据相同;
B4:同组合排列的凸包数据一致;
若满足上述条件,则判断减枝策略为真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410571656.2A CN118153664A (zh) | 2024-05-10 | 2024-05-10 | 一种启发式强化学习搜索树排版方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410571656.2A CN118153664A (zh) | 2024-05-10 | 2024-05-10 | 一种启发式强化学习搜索树排版方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118153664A true CN118153664A (zh) | 2024-06-07 |
Family
ID=91287253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410571656.2A Pending CN118153664A (zh) | 2024-05-10 | 2024-05-10 | 一种启发式强化学习搜索树排版方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118153664A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018073015A (ja) * | 2016-10-26 | 2018-05-10 | ナレルシステム株式会社 | 探索枝刈り方法、コンピュータプログラム及び装置 |
CN112462785A (zh) * | 2020-12-04 | 2021-03-09 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
CN112947594A (zh) * | 2021-04-07 | 2021-06-11 | 东北大学 | 一种面向无人机的航迹规划方法 |
CN114048926A (zh) * | 2021-12-09 | 2022-02-15 | 广东工业大学 | 一种基于多叉树搜索的多箱型三维装箱优化方法及*** |
CN115965131A (zh) * | 2022-12-15 | 2023-04-14 | 华中科技大学 | 一种基于最佳匹配规则与禁忌搜索的排样优化方法和*** |
WO2023197092A1 (zh) * | 2022-04-11 | 2023-10-19 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
-
2024
- 2024-05-10 CN CN202410571656.2A patent/CN118153664A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018073015A (ja) * | 2016-10-26 | 2018-05-10 | ナレルシステム株式会社 | 探索枝刈り方法、コンピュータプログラム及び装置 |
CN112462785A (zh) * | 2020-12-04 | 2021-03-09 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
CN112947594A (zh) * | 2021-04-07 | 2021-06-11 | 东北大学 | 一种面向无人机的航迹规划方法 |
CN114048926A (zh) * | 2021-12-09 | 2022-02-15 | 广东工业大学 | 一种基于多叉树搜索的多箱型三维装箱优化方法及*** |
WO2023103243A1 (zh) * | 2021-12-09 | 2023-06-15 | 广东工业大学 | 一种基于多叉树搜索的多箱型三维装箱优化方法及*** |
WO2023197092A1 (zh) * | 2022-04-11 | 2023-10-19 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
CN115965131A (zh) * | 2022-12-15 | 2023-04-14 | 华中科技大学 | 一种基于最佳匹配规则与禁忌搜索的排样优化方法和*** |
Non-Patent Citations (2)
Title |
---|
FAHD MUSTAPHA MEGUELLATI; DJAMEL EDDINE ZEGOUR: "A Survey on Balanced Binary Search Trees methods", IEEE, 20 January 2022 (2022-01-20) * |
武佳琪;李梦洁;徐一凡;: "启发式搜索求解简单剪枝问题", 中国新通信, no. 14, 20 July 2020 (2020-07-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230385668A1 (en) | Systems and methods for analog processing of problem graphs having arbitrary size and/or connectivity | |
JP2577763B2 (ja) | 図形認識システム及びその動作方法 | |
Jo et al. | Panene: A progressive algorithm for indexing and querying approximate k-nearest neighbors | |
US20040024779A1 (en) | Method for traversing quadtrees, octrees, and N-dimensional bi-trees | |
Darwish et al. | Optimal time-space tradeoff for the 2D convex-hull problem | |
US8422802B2 (en) | Robust large-scale visual codebook construction | |
US5475608A (en) | System for designing a placement of a placement element | |
CN101853526A (zh) | 一种自适应密度的非均匀点云简化处理方法 | |
US20090064120A1 (en) | Method and apparatus to achieve maximum outer level parallelism of a loop | |
Stoev | RaFSi–a FastWatershed algorithm based on rainfalling simulation | |
EP3937090A1 (en) | Information processing system, information processing method, and program | |
CN118153664A (zh) | 一种启发式强化学习搜索树排版方法 | |
CN116186571B (zh) | 车辆聚类方法、装置、计算机设备及存储介质 | |
Agnihotri et al. | Fast analytic placement using minimum cost flow | |
CN112052359B (zh) | 一种基于mno树的实时点云编辑方法 | |
CN115017048A (zh) | 一种测试种子的确定方法及装置 | |
Zheng et al. | Reinforcement Learning based Tree Decomposition for Distance Querying in Road Networks | |
CN116740102B (zh) | 一种基于测地循环的流形人脸网格分割与提取方法 | |
CN113591739B (zh) | 识别图纸中面域的方法、装置、计算机设备和存储介质 | |
US20240220806A1 (en) | Recalculation method of backpropagation in a manner that select the layers to store the output in memory | |
US20230125436A1 (en) | Method for generating neural network architecture and computing apparatus executing the same | |
JP4164286B2 (ja) | 図形の線分近似方法、該図形の線分近似方法を実現するためのプログラムおよび図形の線分近似装置 | |
CN116954883A (zh) | 基于列生成算法的资源调度方法、装置、设备及介质 | |
CN116401458A (zh) | 基于Lorenz混沌自适应的推荐方法 | |
Lau | Exploiting Query Distribution in Planar Point Location |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |