科研之友
微信
新浪微博
Facebook
分享链接
摘要
矩形排样是典型的NP-Hard问题,当零件数量增加时,求解时间便会呈指数倍急剧增长。为缩减相似排样任务的计算时间,提高寻优性能与材料利用率,结合基于匹配度评价的最低水平线算法,提出基于知识迁移的蚁群强化学习算法,以解决矩形排样问题。该算法针对高维知识空间,构建基于知识延伸的高维空间合并矩阵,并借助强化学习"试错"学习模式,在知识矩阵中利用有自学习能力的蚁群完成知识的获取与更新。而后将"预学习"获得的知识利用线性迁移策略迁移给目标任务,指导其在线快速做出决策。通过算例仿真表明:该算法能获得较高质量的解,同时寻优速度达到其他智能算法的2～6倍,在求解大中规模矩形排样问题上具有较好的实用性。
- 单位
