申请/专利权人：哈尔滨理工大学

申请日：2020-11-24

公开（公告）日：2021-02-26

公开（公告）号：CN112418528A

主分类号：G06Q10/04(20120101)

分类号：G06Q10/04(20120101);G06Q50/26(20120101);G06N3/12(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.09.14#授权;2021.03.16#实质审查的生效;2021.02.26#公开

摘要：本发明涉及一种基于多策略动态调整的两栖车辆排样面积利用最大化方法，本发明包括：获取车辆舱甲板和车辆相关信息，明确约束条件，确定目标函数，采用十进制编码对车辆进行编码，并对参数进行初始化，随机生成车辆排样序列构成初始种群，计算个体的适应度值，保存最优个体，判断是否达到最大迭代次数，依据三种不同的评价策略和动态调整的选择概率对三个子种群规模动态调整，用最优个体与子种群中所有个体进行有约束交叉或环形交叉，采用动态调整的变异概率进行变异操作，选择三个子种群中的有效进化个体构成新种群，对最后一代的最优个体进行解码，得到最优排样图。本发明的优点是能够快速求解得到最优排样图，实现两栖车辆排样面积利用最大化。

主权项：1.一种基于多策略动态调整的两栖车辆排样面积利用最大化方法包括：获取两栖车辆和可排样空间尺寸单元1；明确两栖车辆排样的约束条件单元2；确定车辆排样的目标函数单元3；车辆编码和初始种群生成单元4；车辆排样多策略遗传算法适应度值计算和保存最优个体单元5；车辆排样优化算法停止判断单元6；车辆排样多策略遗传算法种群分割单元7；车辆排样多策略遗传算法种群个体选择单元8；车辆排样多策略遗传算法个体精英交叉单元9；车辆排样多策略遗传算法动态调整变异概率的变异单元10；车辆排样多策略遗传算法新种群生成单元11；车辆排样多策略遗传算法的动态调整选择概率单元12；车辆排样基于最低水平线算法的最优排样图生成单元13。具体各单元之间的联系如下：车辆编码和初始种群生成单元4对获取两栖车辆和可排样空间尺寸单元1中车辆进行编码，并对参数进行初始化，随机生成m个个体Ai，即m个排样序列，构成初始种群Q0。满足两栖车辆排样的约束条件单元2和车辆排样目标函数单元3中约束条件和目标函数的情况下，车辆排样多策略遗传算法适应度值计算和保存最优个体单元5计算个体的适应度值，并保存最优个体。车辆排样优化算法停止判断单元6判断算法是否达到最大迭代次数，若达到最大迭代次数，则将最优个体返回给车辆排样基于最低水平线算法的最优排样图生成单元13对最优个体进行解码，得到车辆舱甲板车辆排样的最优排样图，若未达到，则进入下一单元车辆排样多策略遗传算法种群分割单元7。车辆排样多策略遗传算法个体精英交叉单元9采用当代最优个体与车辆排样多策略遗传算法种群个体选择单元8中三个子种群所有个体进行交叉。车辆排样多策略遗传算法动态调整变异概率的变异单元10采用车辆排样多策略遗传算法种群个体选择单元8中第三种个体评价策略和动态变异概率选择车辆排样多策略遗传算法个体精英交叉单元9中新产生的个体完成变异操作。车辆排样多策略遗传算法新种群生成单元11将有效进化个体组成新种群。车辆排样多策略遗传算法的动态调整选择概率单元12依据车辆排样多策略遗传算法新种群生成单元11中各种群有效进化个体数量对各子种群规模进行调整。车辆排样多策略遗传算法适应度值计算和保存最优个体单元5计算新种群的个体适应度值，更新最优个体，进入下一单元车辆排样优化算法停止判断单元6，形成车辆排样算法的闭环。其特征在于：车辆排样多策略遗传算法种群个体选择单元8采用三种不同的个体评价策略和选择概率来选择个体，构成三个子种群TA0t、TB0t、TC0t，平衡了算法勘探和搜索能力。子种群TA0t的进化目标是加快算法收敛速度，子种群TB0t的进化目标是提高种群多样性，子种群TC0t的进化目标是算法进化前期避免适应度值较低但具有优秀结构的个体淘汰，算法进化后期提高优秀个体被选择的概率。车辆排样多策略遗传算法个体精英交叉单元9用当代最优个体分别与三个子种群TA0t、TB0t、TC0t中所有个体完成交叉操作，若选择个体来自优秀种群HPt，引用差异度： 其中：z表示个体排样序列的基因位，azi和azj表示Ai和Aj个体第z位的值。计算参与交叉的两个父代个体差异度，并与u进行比较，u∈[0.5,1]的一个数，若Ei,j＜u，则采用有约束交叉。在对参与交叉的两个父代个体差异度计算过程中，统计两个父代个体基因相同的基因位，且把相邻的基因位组成基因块，采用单点交叉方式，首先判断交叉点是否在基因块内，若在基因块内，则重新生成交叉点，若不在基因块内，则进行交叉。若Ei,j≥u或选择的个体来自普通种群LPt，则进行环形交叉。得到三个新子种群TA1t、TB1t、TC1t。车辆排样多策略遗传算法动态调整变异概率的变异单元10确定变异概率pt，选择动态调整变异概率，具体公式为： 其中：gtmax表示第t代种群中最优个体适应度值，表示优秀种群HPt中个体平均适应度值，k表示系数，且k＞0，pt取值范围为[0,0.5]。采用车辆排样多策略遗传算法种群个体选择单元8中第三种个体评价策略和变异概率Pt选择三个新种群TA1t、TB1t、TC1t中参与变异的个体并进行块移位变异，得到新种群：TA2t、TB2t、TC2t。并判断新子种群中是否有重复个体，如果有则再进行变异，直到无重复个体。车辆排样遗传算法的动态调整选择概率单元12采用动态调整选择概率对三个子种群规模进行调整，达到加快收敛的目的。定义有效进化个体，将交叉过程中产生比父代中被选择个体的适应度值高的个体和变异过程产生比原个体适应度值高的个体，称为有效进化个体。设交叉、变异后三个子种群TA2t、TB2t、TC2t产生的有效进化个体数量分别为at、bt、ct，其中t表示种群进化代数，组合在一起构成新种群Qt，新种群规模为mt，mt＝at+bt+ct。种群进化早期采用较大的选择概率以扩大搜索空间，提高优秀个体产生的概率，随着进化代数的增加，适当减小三个子种群的选择概率，以免造成种群规模庞大，增加计算量。三个子种群的选择概率分别为： 其中：α0，β0，θ0分别表示初始三个种群TA0t、TB0t、TC0t的选择概率。设当进化到第t+1代数后新种群规模小于m时，再随机生成m-mt个个体，组成新种群，且增加三个子种群的选择概率，三个子种群的选择概率分别为： 车辆排样基于最低水平线算法的最优排样图生成单元13中提出基于匹配度的最低水平线算法，考虑了待排包络矩形车辆的宽与最低水平线宽的比值及包络矩形车辆与两侧车辆高的对齐情况，减少了车辆包络矩形之间空隙浪费，实现车辆舱矩形甲板面积利用最大化。引入车辆排样的影响因子η，其表达式为： 其中：Vpre表示待排包络矩形车辆的宽度，Vlow表示最低水平线宽度。其次结合可排入车辆矩形件与两侧高的对齐情况：1车辆包络矩形不能排入最低水平线Vlow，此时匹配度u＝0；2车辆包络矩形可排入Vlow，但与最低水平线两侧高都不对齐，匹配度3车辆包络矩形可排入Vlow，但只与最低水平线一侧高对齐，匹配度4车辆包络矩形可排入Vlow，且与最低水平线两侧高都对齐，匹配度为车辆排样基于最低水平线算法的最优排样图生成单元13的实现包括以下步骤：S1：初始化车辆舱矩形甲板的最高轮廓线集合，其仅包含矩形甲板底部边界，也是最低水平线，输入个体排样序列。S2：选择待排车辆包络矩形序列中的首个车辆包络矩阵，遍历最高轮廓线集合，从中挑选出高度最低的水平线，若有多条满足要求，则选取垂直位置最靠左的水平线。若当前包络矩形车辆可以排入最低水平线，则将当前车辆包络矩形紧贴水平线最左端排放，同时更新最高轮廓线集合；否则，转入S3。S3：搜索剩余的车辆包络矩形序列，计算剩余的车辆包络矩形序列中包络矩形的匹配度u，若u≠0则选取匹配度值最大的车辆包络矩形件，将其排入最低水平线，交换二者排序的位置，并更新最高轮廓线集合。若u＝0表示当前最低水平线无可排车辆包络矩形，则与相邻最低的轮廓线合并，同时更新最高轮廓线集合，转入S2。S4：重复上述过程，直到所有可排车辆包络矩形排放完毕，得到两栖车辆最优排样图。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 基于多策略动态调整的两栖车辆排样面积利用最大化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD